Prometheus 如何做到“活學活用”，大牛總結的避坑指南
監(jiān)控系統(tǒng)的歷史悠久，是一個很成熟的方向，而 Prometheus 作為新生代的開源監(jiān)控系統(tǒng)，慢慢成為了云原生體系的事實標準，也證明了其設計很受歡迎。
本文主要分享在 Prometheus 實踐中遇到的一些問題和思考，如果你對 K8S 監(jiān)控體系或 Prometheus 的設計還不太了解，可以先看下容器監(jiān)控系列。
幾點原則：
- 監(jiān)控是基礎設施，目的是為了解決問題，不要只朝著大而全去做，尤其是不必要的指標采集，浪費人力和存儲資源（To B商業(yè)產品例外）。
- 需要處理的告警才發(fā)出來，發(fā)出來的告警必須得到處理。
- 簡單的架構就是最好的架構，業(yè)務系統(tǒng)都掛了，監(jiān)控也不能掛。Google Sre 里面也說避免使用 Magic 系統(tǒng)，例如機器學習報警閾值、自動修復之類。這一點見仁見智吧，感覺很多公司都在搞智能 AI 運維。
一、版本的選擇
Prometheus 當前最新版本為 2.16，Prometheus 還在不斷迭代，因此盡量用最新版，1.X版本就不用考慮了。
2.16 版本上有一套實驗 UI，可以查看 TSDB 的狀態(tài)，包括Top 10的 Label、Metric.
二、Prometheus 的局限
- Prometheus 是基于 Metric 的監(jiān)控，不適用于日志（Logs）、事件(Event)、調用鏈(Tracing)。
- Prometheus 默認是 Pull 模型，合理規(guī)劃你的網絡，盡量不要轉發(fā)。
- 對于集群化和水平擴展，官方和社區(qū)都沒有銀彈，需要合理選擇 Federate、Cortex、Thanos等方案。
- 監(jiān)控系統(tǒng)一般情況下可用性大于一致性，容忍部分副本數據丟失，保證查詢請求成功。這個后面說 Thanos 去重的時候會提到。
- Prometheus 不一定保證數據準確，這里的不準確一是指 rate、histogram_quantile 等函數會做統(tǒng)計和推斷，產生一些反直覺的結果，這個后面會詳細展開。二來查詢范圍過長要做降采樣，勢必會造成數據精度丟失，不過這是時序數據的特點，也是不同于日志系統(tǒng)的地方。
三、K8S 集群中常用的 exporter
Prometheus 屬于 CNCF 項目，擁有完整的開源生態(tài)，與 Zabbix 這種傳統(tǒng) agent 監(jiān)控不同，它提供了豐富的 exporter 來滿足你的各種需求。你可以在這里看到官方、非官方的 exporter。如果還是沒滿足你的需求，你還可以自己編寫 exporter，簡單方便、自由開放，這是優(yōu)點。
但是過于開放就會帶來選型、試錯成本。之前只需要在 zabbix agent里面幾行配置就能完成的事，現(xiàn)在你會需要很多 exporter 搭配才能完成。還要對所有 exporter 維護、監(jiān)控。尤其是升級 exporter 版本時，很痛苦。非官方exporter 還會有不少 bug。這是使用上的不足，當然也是 Prometheus 的設計原則。
K8S 生態(tài)的組件都會提供/metric接口以提供自監(jiān)控，這里列下我們正在使用的：
- cadvisor: 集成在 Kubelet 中。
- kubelet: 10255為非認證端口，10250為認證端口。
- apiserver: 6443端口，關心請求數、延遲等。
- scheduler: 10251端口。
- controller-manager: 10252端口。
- etcd: 如etcd 寫入讀取延遲、存儲容量等。
- docker: 需要開啟 experimental 實驗特性，配置 metrics-addr，如容器創(chuàng)建耗時等指標。
- kube-proxy: 默認 127 暴露，10249端口。外部采集時可以修改為 0.0.0.0 監(jiān)聽，會暴露：寫入 iptables 規(guī)則的耗時等指標。
- kube-state-metrics: K8S 官方項目，采集pod、deployment等資源的元信息。
- node-exporter: Prometheus 官方項目，采集機器指標如 CPU、內存、磁盤。
- blackbox_exporter: Prometheus 官方項目，網絡探測，dns、ping、http監(jiān)控
- process-exporter: 采集進程指標
- nvidia exporter: 我們有 gpu 任務，需要 gpu 數據監(jiān)控
- node-problem-detector: 即 npd，準確的說不是 exporter，但也會監(jiān)測機器狀態(tài)，上報節(jié)點異常打 taint
- 應用層 exporter: mysql、nginx、mq等，看業(yè)務需求。
- 還有各種場景下的自定義 exporter，如日志提取后面會再做介紹。
四、K8S 核心組件監(jiān)控與 Grafana 面板
k8s 集群運行中需要關注核心組件的狀態(tài)、性能。如 kubelet、apiserver 等，基于上面提到的 exporter 的指標，可以在 Grafana 中繪制如下圖表：
模板可以參考dashboards-for-kubernetes-administrators，根據運行情況不斷調整報警閾值。
這里提一下 Grafana 雖然支持了 templates 能力，可以很方便地做多級下拉框選擇，但是不支持templates 模式下配置報警規(guī)則，相關issue
官方對這個功能解釋了一堆，可最新版本仍然沒有支持。借用 issue 的一句話吐槽下：
- It would be grate to add templates support in alerts. Otherwise the feature looks useless a bit.
五、采集組件 All IN One
Prometheus 體系中 Exporter 都是獨立的，每個組件各司其職，如機器資源用 Node-Exporter，Gpu 有Nvidia Exporter等等。但是 Exporter 越多，運維壓力越大，尤其是對 Agent做資源控制、版本升級。我們嘗試對一些Exporter進行組合，方案有二：
- 通過主進程拉起N個 Exporter 進程，仍然可以跟著社區(qū)版本做更新、bug fix。
- 用Telegraf來支持各種類型的 Input，N 合 1。
另外，Node-Exporter 不支持進程監(jiān)控，可以加一個Process-Exporter，也可以用上邊提到的Telegraf，使用 procstat 的 input來采集進程指標。
六、合理選擇黃金指標
采集的指標有很多，我們應該關注哪些？Google 在“Sre Handbook”中提出了“四個黃金信號”：延遲、流量、錯誤數、飽和度。實際操作中可以使用 Use 或 Red 方法作為指導，Use 用于資源，Red 用于服務。
- Use 方法：Utilization、Saturation、Errors。如 Cadvisor 數據
- Red 方法：Rate、Errors、Duration。如 Apiserver 性能指標
Prometheus 采集中常見的服務分三種：
- 在線服務：如 Web 服務、數據庫等，一般關心請求速率，延遲和錯誤率即 RED 方法
- 離線服務：如日志處理、消息隊列等，一般關注隊列數量、進行中的數量，處理速度以及發(fā)生的錯誤即 Use 方法
- 批處理任務：和離線任務很像，但是離線任務是長期運行的，批處理任務是按計劃運行的，如持續(xù)集成就是批處理任務，對應 K8S 中的 job 或 cronjob， 一般關注所花的時間、錯誤數等，因為運行周期短，很可能還沒采集到就運行結束了，所以一般使用 Pushgateway，改拉為推。
對 Use 和 Red 的實際示例可以參考容器監(jiān)控實踐—K8S常用指標分析這篇文章。
七、K8S 1.16中 Cadvisor 的指標兼容問題
在 K8S 1.16版本，Cadvisor 的指標去掉了 pod_Name 和 container_name 的 label，替換為了pod 和 container。如果你之前用這兩個 label 做查詢或者 Grafana 繪圖，需要更改下 Sql 了。因為我們一直支持多個 K8S 版本，就通過 relabel配置繼續(xù)保留了原來的**_name。
- metric_relabel_configs:- source_labels: [container]
- regex: (.+)
- target_label: container_name
- replacement: $1
- action: replace
- - source_labels: [pod]
- regex: (.+)
- target_label: pod_name
- replacement: $1
- action: replace
注意要用 metric_relabel_configs，不是 relabel_configs，采集后做的replace。
八、Prometheus 采集外部 K8S 集群、多集群
Prometheus 如果部署在K8S集群內采集是很方便的，用官方給的Yaml就可以，但我們因為權限和網絡需要部署在集群外，二進制運行，采集多個 K8S 集群。
以 Pod 方式運行在集群內是不需要證書的（In-Cluster 模式），但集群外需要聲明 token之類的證書，并替換address，即使用 Apiserver Proxy采集，以 Cadvisor采集為例，Job 配置為：
- - job_name: cluster-cadvisor
- honor_timestamps: true
- scrape_interval: 30s
- scrape_timeout: 10s
- metrics_path: /metrics
- scheme: https
- kubernetes_sd_configs:
- - api_server: https://xx:6443
- role: node
- bearer_token_file: token/cluster.token
- tls_config:
- insecure_skip_verify: true
- bearer_token_file: token/cluster.token
- tls_config:
- insecure_skip_verify: true
- relabel_configs:
- - separator: ;
- regex: __meta_kubernetes_node_label_(.+)
- replacement: $1
- action: labelmap
- - separator: ;
- regex: (.*)
- target_label: __address__
- replacement: xx:6443
- action: replace
- - source_labels: [__meta_kubernetes_node_name]
- separator: ;
- regex: (.+)
- target_label: __metrics_path__
- replacement: /api/v1/nodes/${1}/proxy/metrics/cadvisor
- action: replace
- metric_relabel_configs:
- - source_labels: [container]
- separator: ;
- regex: (.+)
- target_label: container_name
- replacement: $1
- action: replace
- - source_labels: [pod]
- separator: ;
- regex: (.+)
- target_label: pod_name
- replacement: $1
- action: replace
bearer_token_file 需要提前生成，這個參考官方文檔即可。記得 base64 解碼。
對于 cadvisor 來說，__metrics_path__可以轉換為/api/v1/nodes/{1}/proxy/metrics/cadvisor，代表Apiserver proxy 到 Kubelet，如果網絡能通，其實也可以直接把 Kubelet 的10255作為 target，可以直接寫為：{1}:10255/metrics/cadvisor，代表直接請求Kubelet，規(guī)模大的時候還減輕了 Apiserver 的壓力，即服務發(fā)現(xiàn)使用 Apiserver，采集不走 Apiserver
因為 cadvisor 是暴露主機端口，配置相對簡單，如果是 kube-state-metric 這種 Deployment，以 endpoint 形式暴露，寫法應該是：
- - job_name: cluster-service-endpoints
- honor_timestamps: true
- scrape_interval: 30s
- scrape_timeout: 10s
- metrics_path: /metrics
- scheme: https
- kubernetes_sd_configs:
- - api_server: https://xxx:6443
- role: endpoints
- bearer_token_file: token/cluster.token
- tls_config:
- insecure_skip_verify: true
- bearer_token_file: token/cluster.token
- tls_config:
- insecure_skip_verify: true
- relabel_configs:
- - source_labels: [__meta_kubernetes_service_annotation_prometheus_io_scrape]
- separator: ;
- regex: "true"
- replacement: $1
- action: keep
- - source_labels: [__meta_kubernetes_service_annotation_prometheus_io_scheme]
- separator: ;
- regex: (https?)
- target_label: __scheme__
- replacement: $1
- action: replace
- - separator: ;
- regex: (.*)
- target_label: __address__
- replacement: xxx:6443
- action: replace
- - source_labels: [__meta_kubernetes_namespace, __meta_kubernetes_endpoints_name,
- __meta_kubernetes_service_annotation_prometheus_io_port]
- separator: ;
- regex: (.+);(.+);(.*)
- target_label: __metrics_path__
- replacement: /api/v1/namespaces/${1}/services/${2}:${3}/proxy/metrics
- action: replace
- - separator: ;
- regex: __meta_kubernetes_service_label_(.+)
- replacement: $1
- action: labelmap
- - source_labels: [__meta_kubernetes_namespace]
- separator: ;
- regex: (.*)
- target_label: kubernetes_namespace
- replacement: $1
- action: replace
- - source_labels: [__meta_kubernetes_service_name]
- separator: ;
- regex: (.*)
- target_label: kubernetes_name
- replacement: $1
- action: replace
對于 endpoint 類型，需要轉換__metrics_path__為/api/v1/namespaces/{1}/services/{2}:${3}/proxy/metrics，需要替換 namespace、svc 名稱端口等，這里的寫法只適合接口為/metrics的exporter，如果你的 exporter 不是/metrics接口，需要替換這個路徑。或者像我們一樣統(tǒng)一約束都使用這個地址。
這里的__meta_kubernetes_service_annotation_prometheus_io_port來源就是 exporter 部署時寫的那個 annotation，大多數文章中只提到prometheus.io/scrape: ‘true’，但也可以定義端口、路徑、協(xié)議。以方便在采集時做替換處理。
其他的一些 relabel 如kubernetes_namespace 是為了保留原始信息，方便做 promql 查詢時的篩選條件。
如果是多集群，同樣的配置多寫幾遍就可以了，一般一個集群可以配置三類job：
- role:node 的，包括 cadvisor、 node-exporter、kubelet 的 summary、kube-proxy、docker 等指標
- role:endpoint 的，包括 kube-state-metric 以及其他自定義 Exporter
- 普通采集：包括Etcd、Apiserver 性能指標、進程指標等。
九、GPU 指標的獲取
nvidia-smi可以查看機器上的 GPU 資源，而Cadvisor 其實暴露了Metric來表示容器使用 GPU 情況，
- container_accelerator_duty_cycle
- container_accelerator_memory_total_bytes
- container_accelerator_memory_used_bytes
如果要更詳細的 GPU 數據，可以安裝dcgm exporter，不過K8S 1.13 才能支持。
十、更改 Prometheus 的顯示時區(qū)
Prometheus 為避免時區(qū)混亂，在所有組件中專門使用 Unix Time 和 Utc 進行顯示。不支持在配置文件中設置時區(qū)，也不能讀取本機 /etc/timezone 時區(qū)。
其實這個限制是不影響使用的：
- 如果做可視化，Grafana是可以做時區(qū)轉換的。
- 如果是調接口，拿到了數據中的時間戳，你想怎么處理都可以。
- 如果因為 Prometheus 自帶的 UI 不是本地時間，看著不舒服，2.16 版本的新版 Web UI已經引入了Local Timezone 的選項，區(qū)別見下圖。
- 如果你仍然想改 Prometheus 代碼來適應自己的時區(qū)，可以參考這篇文章。
關于 timezone 的討論，可以看這個issue。
十一、如何采集 LB 后面的 RS 的 Metric
假如你有一個負載均衡 LB，但網絡上 Prometheus 只能訪問到 LB 本身，訪問不到后面的 RS，應該如何采集 RS 暴露的 Metric？
- RS 的服務加 Sidecar Proxy，或者本機增加 Proxy 組件，保證 Prometheus 能訪問到。
- LB 增加 /backend1 和 /backend2請求轉發(fā)到兩個單獨的后端，再由 Prometheus 訪問 LB 采集。
十二、Prometheus 大內存問題
隨著規(guī)模變大，Prometheus 需要的 CPU 和內存都會升高，內存一般先達到瓶頸，這個時候要么加內存，要么集群分片減少單機指標。這里我們先討論單機版 Prometheus 的內存問題。
原因：
- Prometheus 的內存消耗主要是因為每隔2小時做一個 Block 數據落盤，落盤之前所有數據都在內存里面，因此和采集量有關。
- 加載歷史數據時，是從磁盤到內存的，查詢范圍越大，內存越大。
這里面有一定的優(yōu)化空間。
- 一些不合理的查詢條件也會加大內存，如 Group 或大范圍 Rate。
我的指標需要多少內存：
- 作者給了一個計算器，設置指標量、采集間隔之類的，計算 Prometheus 需要的理論內存值：計算公式
- 以我們的一個 Prometheus Server為例，本地只保留 2 小時數據，95 萬 Series，大概占用的內存如下：
有什么優(yōu)化方案：
- Sample 數量超過了 200 萬，就不要單實例了，做下分片，然后通過 Victoriametrics，Thanos，Trickster 等方案合并數據。
- 評估哪些 Metric 和 Label 占用較多，去掉沒用的指標。
2.14 以上可以看 Tsdb 狀態(tài)
- 查詢時盡量避免大范圍查詢，注意時間范圍和 Step 的比例，慎用 Group。
- 如果需要關聯(lián)查詢，先想想能不能通過 Relabel 的方式給原始數據多加個 Label，一條Sql 能查出來的何必用Join，時序數據庫不是關系數據庫。
Prometheus 內存占用分析：
- 通過 pprof分析：
https://www.robustperception.io/optimising-prometheus-2-6-0-memory-usage-with-pprof
- 1.X 版本的內存：
https://www.robustperception.io/how-much-ram-does-my-prometheus-need-for-ingestion
相關 issue：
- https://groups.google.com/forum/#!searchin/prometheus-users/memory%7Csort:date/prometheus-users/q4oiVGU6Bxo/uifpXVw3CwAJ
- https://github.com/prometheus/prometheus/issues/5723
- https://github.com/prometheus/prometheus/issues/1881
十三、Prometheus 容量規(guī)劃
容量規(guī)劃除了上邊說的內存，還有磁盤存儲規(guī)劃，這和你的 Prometheus 的架構方案有關。
- 如果是單機Prometheus，計算本地磁盤使用量。
- 如果是 Remote-Write，和已有的 Tsdb 共用即可。
- 如果是 Thanos 方案，本地磁盤可以忽略（2H)，計算對象存儲的大小就行。
Prometheus 每2小時將已緩沖在內存中的數據壓縮到磁盤上的塊中。包括Chunks、Indexes、Tombstones、Metadata，這些占用了一部分存儲空間。一般情況下，Prometheus 中存儲的每一個樣本大概占用1-2字節(jié)大小（1.7Byte）。可以通過Promql來查看每個樣本平均占用多少空間：
- rate(prometheus_tsdb_compaction_chunk_size_bytes_sum[1h])/
- rate(prometheus_tsdb_compaction_chunk_samples_sum[1h]){instance="0.0.0.0:8890", job="prometheus"} 1.252747585939941
如果大致估算本地磁盤大小，可以通過以下公式：
磁盤大小=保留時間*每秒獲取樣本數*樣本大小
保留時間(retention_time_seconds)和樣本大小(bytes_per_sample)不變的情況下，如果想減少本地磁盤的容量需求，只能通過減少每秒獲取樣本數(ingested_samples_per_second)的方式。
查看當前每秒獲取的樣本數：
- rate(prometheus_tsdb_head_samples_appended_total[1h])
有兩種手段，一是減少時間序列的數量，二是增加采集樣本的時間間隔。考慮到 Prometheus 會對時間序列進行壓縮，因此減少時間序列的數量效果更明顯。
舉例說明：
采集頻率 30s，機器數量1000，Metric種類6000，1000600026024 約 200 億，30G 左右磁盤。
只采集需要的指標，如 match[], 或者統(tǒng)計下最常使用的指標，性能最差的指標。
以上磁盤容量并沒有把 wal 文件算進去，wal 文件(Raw Data)在 Prometheus 官方文檔中說明至少會保存3個 Write-Ahead Log Files，每一個最大為128M(實際運行發(fā)現(xiàn)數量會更多)。
因為我們使用了 Thanos 的方案，所以本地磁盤只保留2H 熱數據。Wal 每2小時生成一份Block文件，Block文件每2小時上傳對象存儲，本地磁盤基本沒有壓力。
關于 Prometheus 存儲機制，可以看這篇。
十四、對 Apiserver 的性能影響
如果你的 Prometheus 使用了 kubernetes_sd_config 做服務發(fā)現(xiàn)，請求一般會經過集群的 Apiserver，隨著規(guī)模的變大，需要評估下對 Apiserver性能的影響，尤其是Proxy失敗的時候，會導致CPU 升高。當然了，如果單K8S集群規(guī)模太大，一般都是拆分集群，不過隨時監(jiān)測下 Apiserver 的進程變化還是有必要的。
在監(jiān)控Cadvisor、Docker、Kube-Proxy 的 Metric 時，我們一開始選擇從 Apiserver Proxy 到節(jié)點的對應端口，統(tǒng)一設置比較方便，但后來還是改為了直接拉取節(jié)點，Apiserver 僅做服務發(fā)現(xiàn)。
十五、Rate 的計算邏輯
Prometheus 中的 Counter 類型主要是為了 Rate 而存在的，即計算速率，單純的 Counter 計數意義不大，因為 Counter 一旦重置，總計數就沒有意義了。
Rate 會自動處理 Counter 重置的問題，Counter 一般都是一直變大的，例如一個 Exporter 啟動，然后崩潰了。本來以每秒大約10的速率遞增，但僅運行了半個小時，則速率（x_total [1h]）將返回大約每秒5的結果。另外，Counter 的任何減少也會被視為 Counter 重置。例如，如果時間序列的值為[5,10,4,6]，則將其視為[5,10,14,16]。
Rate 值很少是精確的。由于針對不同目標的抓取發(fā)生在不同的時間，因此隨著時間的流逝會發(fā)生抖動，query_range 計算時很少會與抓取時間完美匹配，并且抓取有可能失敗。面對這樣的挑戰(zhàn)，Rate 的設計必須是健壯的。
Rate 并非想要捕獲每個增量，因為有時候增量會丟失，例如實例在抓取間隔中掛掉。如果 Counter 的變化速度很慢，例如每小時僅增加幾次，則可能會導致【假象】。比如出現(xiàn)一個 Counter 時間序列，值為100，Rate 就不知道這些增量是現(xiàn)在的值，還是目標已經運行了好幾年并且才剛剛開始返回。
建議將 Rate 計算的范圍向量的時間至少設為抓取間隔的四倍。這將確保即使抓取速度緩慢，且發(fā)生了一次抓取故障，您也始終可以使用兩個樣本。此類問題在實踐中經常出現(xiàn)，因此保持這種彈性非常重要。例如，對于1分鐘的抓取間隔，您可以使用4分鐘的 Rate 計算，但是通常將其四舍五入為5分鐘。
如果 Rate 的時間區(qū)間內有數據缺失，他會基于趨勢進行推測，比如：
