今天這篇文章，我將對監控體系的基礎知識、原理和架構做一次系統性梳理，同時還會對幾款最常用的開源監控產品做下介紹，以便大家選型時參考。

內容包括3部分：

必知必會的監控基礎知識

主流監控系統介紹

監控系統的選型建議

01 必知必會的監控基礎知識

監控系統俗稱「第三只眼」，幾乎是我們每天都會打交道的系統，下面 4 項基礎知識我認為是必須要了解的。

1. 監控系統的7大作用 正所謂「無監控，不運維」，監控系統的地位不言而喻。不管你是監控系統的開發者還是使用者，首先肯定要清楚：監控系統的目標是什么？它能發揮什么作用？

實時采集監控數據：包括硬件、操作系統、中間件、應用程序等各個維度的數據。

實時反饋監控狀態：通過對采集的數據進行多維度統計和可視化展示，能實時體現監控對象的狀態是正常還是異常。

預知故障和告警：能夠提前預知故障風險，并及時發出告警信息。

輔助定位故障：提供故障發生時的各項指標數據，輔助故障分析和定位。

輔助性能調優：為性能調優提供數據支持，比如慢SQL，接口響應時間等。

輔助容量規劃：為服務器、中間件以及應用集群的容量規劃提供數據支撐。

輔助自動化運維：為自動擴容或者根據配置的SLA進行服務降級等智能運維提供數據支撐。

2.使用監控系統的正確姿勢

“

出任何線上事故，先不說其他地方有問題，監控部分一定是有問題的。

聽著很甩鍋的一句話，仔細思考好像有一定道理。我們在事故復盤時，通常會思考這3個和監控有關的問題：有沒有做監控？監控是否及時？監控信息是否有助于快速定位問題？

可見光有一套好的監控系統還不夠，還必須知道「如何用好它」。一個成熟的研發團隊通常會定一個監控規范，用來統一監控系統的使用方法。

了解監控對象的工作原理：要做到對監控對象有基本的了解，清楚它的工作原理。比如想對JVM進行監控，你必須清楚JVM的堆內存結構和垃圾回收機制。

確定監控對象的指標：清楚使用哪些指標來刻畫監控對象的狀態？比如想對某個接口進行監控，可以采用請求量、耗時、超時量、異常量等指標來衡量。

定義合理的報警閾值和等級：達到什么閾值需要告警？對應的故障等級是多少？不需要處理的告警不是好告警，可見定義合理的閾值有多重要，否則只會降低運維效率或者讓監控系統失去它的作用。

建立完善的故障處理流程：收到故障告警后，一定要有相應的處理流程和oncall機制，讓故障及時被跟進處理。

3. 監控的對象和指標都有哪些？ 監控已然成為了整個產品生命周期非常重要的一環，運維關注硬件和基礎監控，研發關注各類中間件和應用層的監控，產品關注核心業務指標的監控。可見，監控的對象已經越來越立體化。 這里，我對常用的監控對象以及監控指標做了分類整理，供大家參考。

3.1 硬件監控

包括：電源狀態、CPU狀態、機器溫度、風扇狀態、物理磁盤、raid狀態、內存狀態、網卡狀態

3.2 服務器基礎監控

CPU：單個CPU以及整體的使用情況

內存：已用內存、可用內存

磁盤：磁盤使用率、磁盤讀寫的吞吐量

網絡：出口流量、入口流量、TCP連接狀態

3.3數據庫監控

包括：數據庫連接數、QPS、TPS、并行處理的會話數、緩存命中率、主從延時、鎖狀態、慢查詢

3.4中間件監控

Nginx：活躍連接數、等待連接數、丟棄連接數、請求量、耗時、5XX錯誤率

Tomcat：最大線程數、當前線程數、請求量、耗時、錯誤量、堆內存使用情況、GC次數和耗時

緩存：成功連接數、阻塞連接數、已使用內存、內存碎片率、請求量、耗時、緩存命中率

消息隊列：連接數、隊列數、生產速率、消費速率、消息堆積量

3.5應用監控

HTTP接口：URL存活、請求量、耗時、異常量

RPC接口：請求量、耗時、超時量、拒絕量

JVM ：GC次數、GC耗時、各個內存區域的大小、當前線程數、死鎖線程數

線程池：活躍線程數、任務隊列大小、任務執行耗時、拒絕任務數

連接池：總連接數、活躍連接數

日志監控：訪問日志、錯誤日志

業務指標：視業務來定，比如PV、訂單量等

4. 監控系統的基本流程 無論是開源的監控系統還是自研的監控系統，監控的整個流程大同小異，一般都包括以下模塊：

數據采集：采集的方式有很多種，包括日志埋點進行采集（通過Logstash、Filebeat等進行上報和解析），JMX標準接口輸出監控指標，被監控對象提供REST API進行數據采集（如Hadoop、ES），系統命令行，統一的SDK進行侵入式的埋點和上報等。

數據傳輸：將采集的數據以TCP、UDP或者HTTP協議的形式上報給監控系統，有主動Push模式，也有被動Pull模式。

數據存儲：有使用MySQL、Oracle等RDBMS存儲的，也有使用時序數據庫RRDTool、OpentTSDB、InfluxDB存儲的，還有使用HBase存儲的。

數據展示：數據指標的圖形化展示。

監控告警：靈活的告警設置，以及支持郵件、短信、IM等多種通知通道。

02 主流監控系統介紹 下面再來認識下主流的開源監控系統，由于篇幅有限，我挑選了3款使用最廣泛的監控系統：Zabbix、Open-Falcon、Prometheus，會對它們的架構進行介紹，同時總結下各自的優劣勢。

1. Zabbix（老牌監控的優秀代表）

Zabbix 1998年誕生，核心組件采用C語言開發，Web端采用PHP開發。它屬于老牌監控系統中的優秀代表，監控功能很全面，使用也很廣泛，差不多有70%左右的互聯網公司都曾使用過 Zabbix 作為監控解決方案。

先來了解下Zabbix的架構設計：

Zabbix架構圖

Zabbix Server：核心組件，C語言編寫，負責接收Agent、Proxy發送的監控數據，也支持JMX、SNMP等多種協議直接采集數據。同時，它還負責數據的匯總存儲以及告警觸發等。

Zabbix Proxy：可選組件，對于被監控機器較多的情況下，可使用Proxy進行分布式監控，它能代理Server收集部分監控數據，以減輕Server的壓力。

Zabbix Agentd：部署在被監控主機上，用于采集本機的數據并發送給Proxy或者Server，它的插件機制支持用戶自定義數據采集腳本。Agent可在Server端手動配置，也可以通過自動發現機制被識別。數據收集方式同時支持主動Push和被動Pull 兩種模式。

Database：用于存儲配置信息以及采集到的數據，支持MySQL、Oracle等關系型數據庫。同時，最新版本的Zabbix已經開始支持時序數據庫，不過成熟度還不高。

Web Server：Zabbix的GUI組件，PHP編寫，提供監控數據的展現和告警配置。

下面是 Zabbix 的優勢：

產品成熟：由于誕生時間長且使用廣泛，擁有豐富的文檔資料以及各種開源的數據采集插件，能覆蓋絕大部分監控場景。

采集方式豐富：支持Agent、SNMP、JMX、SSH等多種采集方式，以及主動和被動的數據傳輸方式。

較強的擴展性：支持Proxy分布式監控，有agent自動發現功能，插件式架構支持用戶自定義數據采集腳本。

配置管理方便：能通過Web界面進行監控和告警配置，操作方便，上手簡單。

下面是 Zabbix 的劣勢：

性能瓶頸：機器量或者業務量大了后，關系型數據庫的寫入一定是瓶頸，官方給出的單機上限是5000臺，個人感覺達不到，尤其現在應用層的指標越來越多。雖然最新版已經開始支持時序數據庫，不過成熟度還不高。

應用層監控支持有限：如果想對應用程序做侵入式的埋點和采集（比如監控線程池或者接口性能），zabbix沒有提供對應的sdk，通過插件式的腳本也能曲線實現此功能，個人感覺zabbix就不是做這個事的。

數據模型不強大：不支持tag，因此沒法按多維度進行聚合統計和告警配置，使用起來不靈活。

方便二次開發難度大：Zabbix采用的是C語言，二次開發往往需要熟悉它的數據表結構，基于它提供的API更多只能做展示層的定制。

2. Open-Falcon

Open-falcon 是小米2015年開源的企業級監控工具，采用Go和Python語言開發，這是一款靈活、高性能且易擴展的新一代監控方案，目前小米、美團、滴滴等超過200家公司在使用它。

小米初期也使用的Zabbix進行監控，但是機器量和業務量上來后，Zabbix就有些力不從心了。因此，后來自主研發了Open-Falcon，在架構設計上吸取了Zabbix的經驗，同時很好地解決了Zabbix的諸多痛點。

先來了解下Open-Falcon的架構設計：

Open-Falcon架構圖，來自網絡

Falcon-agent：數據采集器和收集器，Go開發，部署在被監控的機器上，支持3種數據采集方式。首先它能自動采集單機200多個基礎監控指標，無需做任何配置；同時支持用戶自定義的plugin獲取監控數據；此外，用戶可通過http接口，自主push數據到本機的proxy-gateway，由gateway轉發到server.

Transfer：數據分發組件，接收客戶端發送的數據，分別發送給數據存儲組件Graph和告警判定組件Judge，Graph和Judge均采用一致性hash做數據分片，以提高橫向擴展能力。同時Transfer還支持將數據分發到OpenTSDB，用于歷史歸檔。

Graph：數據存儲組件，底層使用RRDTool（時序數據庫）做單個指標的存儲，并通過緩存、分批寫入磁盤等方式進行了優化。據說一個graph實例能夠處理8W+每秒的寫入速率。

Judge和Alarm：告警組件，Judge對Transfer組件上報的數據進行實時計算，判斷是否要產生告警事件，Alarm組件對告警事件進行收斂處理后，將告警消息推送給各個消息通道。

API：面向終端用戶，收到查詢請求后會去Graph中查詢指標數據，匯總結果后統一返回給用戶，屏蔽了存儲集群的分片細節。

下面是Open-Falcon的優勢：

自動采集能力：Falcon-agent 能自動采集服務器的200多個基礎指標（比如CPU、內存等），無需在server上做任何配置，這一點可以秒殺Zabbix.

強大的存儲能力：底層采用RRDTool，并且通過一致性hash進行數據分片，構建了一個分布式的時序數據存儲系統，可擴展性強。

靈活的數據模型：借鑒OpenTSDB，數據模型中引入了tag，這樣能支持多維度的聚合統計以及告警規則設置，大大提高了使用效率。

插件統一管理：Open-Falcon的插件機制實現了對用戶自定義腳本的統一化管理，可通過HeartBeat Server分發給agent，減輕了使用者自主維護腳本的成本。

個性化監控支持：基于Proxy-gateway，很容易通過自主埋點實現應用層的監控（比如監控接口的訪問量和耗時）和其他個性化監控需求，集成方便。

下面是Open-Falcon的劣勢：

整體發展一般：社區活躍度不算高，同時版本更新慢，有些大廠是基于它的穩定版本直接做二次開發的，關于以后的前景其實有點擔憂。

UI不夠友好：對于業務線的研發來說，可能只想便捷地完成告警配置和業務監控，但是它把機器分組、策略模板、模板繼承等概念全部暴露在UI上，感覺在圍繞這幾個概念設計UI，理解有點費勁。

安裝比較復雜：個人的親身感受，由于它是從小米內部衍生出來的，雖然去掉了對小米內部系統的依賴，但是組件還是比較多，如果對整個架構不熟悉，安裝很難一蹴而就。

3. Prometheus（號稱下一代監控系統）

Prometheus（普羅米修斯）是由前google員工2015年正式發布的開源監控系統，采用Go語言開發。它不僅有一個很酷的名字，同時它有Google與k8s的強力支持，開源社區異常火爆。

Prometheus 2016年加入云原生基金會，是繼k8s后托管的第二個項目，未來前景被相當看好。它和Open-Falcon最大不同在于：數據采集是基于Pull模式的，而不是Push模式，并且架構非常簡單。

先來了解下Prometheus的架構設計：

Prometheus架構圖，來自網絡

Prometheus Server：核心組件，用于收集、存儲監控數據。它同時支持靜態配置和通過Service Discovery動態發現來管理監控目標，并從監控目標中獲取數據。此外，Prometheus Server 也是一個時序數據庫，它將監控數據保存在本地磁盤中，并對外提供自定義的 PromQL 語言實現對數據的查詢和分析。

Exporter：用來采集數據，作用類似于agent，區別在于Prometheus是基于Pull方式拉取采集數據的，因此，Exporter通過HTTP服務的形式將監控數據按照標準格式暴露給Prometheus Server，社區中已經有大量現成的Exporter可以直接使用，用戶也可以使用各種語言的client library自定義實現。

Push gateway：主要用于瞬時任務的場景，防止Prometheus Server來pull數據之前此類Short-lived jobs就已經執行完畢了，因此job可以采用push的方式將監控數據主動匯報給Push gateway緩存起來進行中轉。

Alert Manager：當告警產生時，Prometheus Server將告警信息推送給Alert Manager，由它發送告警信息給接收方。

Web UI：Prometheus內置了一個簡單的web控制臺，可以查詢配置信息和指標等，而實際應用中我們通常會將Prometheus作為Grafana的數據源，創建儀表盤以及查看指標。

下面是Prometheus的優勢：

輕量管理：架構簡單，不依賴外部存儲，單個服務器節點可直接工作，二進制文件啟動即可，屬于輕量級的Server，便于遷移和維護。

較強的處理能力：監控數據直接存儲在Prometheus Server本地的時序數據庫中，單個實例可以處理數百萬的metrics。

靈活的數據模型：同Open-Falcon，引入了tag，屬于多維數據模型，聚合統計更方便。

強大的查詢語句：PromQL允許在同一個查詢語句中，對多個metrics進行加法、連接和取分位值等操作。

很好地支持云環境：能自動發現容器，同時k8s和etcd等項目都提供了對Prometheus的原生支持，是目前容器監控最流行的方案。

下面是Prometheus的劣勢：

功能不夠完善：Prometheus從一開始的架構設計就是要做到簡單，不提供集群化方案，長期的持久化存儲和用戶管理，而這些是企業變大后所必須的特性，目前要做到這些只能在Prometheus之上進行擴展。

網絡規劃變復雜：由于Prometheus采用的是Pull模型拉取數據，意味著所有被監控的endpoint必須是可達的，需要合理規劃網絡的安全配置。

03監控系統的選型建議

通過上面的介紹，大家對主流的監控系統應該有了一定的認識。面對選型問題，我的建議是：

1、先明確清楚你的監控需求：要監控的對象有哪些？機器數量和監控指標有多少？需要具備什么樣的告警功能？

2、監控是一項長期建設的事情，一開始就想做一個 All In One 的監控解決方案，我覺得沒有必要。從成本角度考慮，在初期直接使用開源的監控方案即可，先解決有無問題。

3、從系統成熟度上看，Zabbix屬于老牌的監控系統，資料多，功能全面且穩定，如果機器數量在幾百臺以內，不用太擔心性能問題，另外，采用數據庫分區、SSD硬盤、Proxy架構、Push采集模式都可以提高監控性能。

4、Zabbix在服務器監控方面占絕對優勢，可以滿足90%以上的監控場景，但是應用層的監控似乎并不擅長，比如要監控線程池的狀態、某個內部接口的執行時間等，這種通常都要做侵入式埋點。相反，新一代的監控系統Open-Falcon和Prometheus在這一點做得很好。

5、從整體表現上來看，新一代監控系統也有明顯的優勢，比如：靈活的數據模型、更成熟的時序數據庫、強大的告警功能，如果之前對zabbix這種傳統監控沒有技術積累，建議使用Open-Falcon或者Prometheus.

6、Open-Falcon的核心優勢在于數據分片功能，能支撐更多的機器和監控項；Prometheus則是容器監控方面的標配，有Google和k8s加持。

7、Zabbix、Open-Falcon和Prometheus都支持和Grafana做快速集成，想要美觀且強大的可視化體驗，可以和Grafana進行組合。

8、用合適的監控系統解決相應的問題即可，可以多套監控同時使用，這種在企業初期很常見。

9、到中后期，隨著機器數據增加和個性化需求增多（比如希望統一監控平臺、打通公司的CMDB和組織架構關系），往往需要二次開發或者通過監控系統提供的API做集成，從這點來看，Open-Falcon或者Prometheus更合適。

10、如果非要自研，可以多研究下主流監控系統的架構方案，借鑒它們的優勢。

審核編輯：郭婷