介绍

Prometheus 是一个系统监控和警报工具包。它是用 Go 编写的，由 Soundcloud 构建，并于 2016 年作为继 Kubernetes 之后的第二个托管项目加入云原生计算基金会（CNCF）。这意味着它目前是一个开源项目，独立于任何公司维护。它是监控本地解决方案和云工作负载的理想工具。

在 Prometheus 中，我们谈论维度数据- 时间序列由度量名称和一组键/值对标识：

Metric name: Speed 
Label: direction=forward 
Sample: 80 

Prometheus 包含灵活的查询语言。指标可视化可以使用内置的表达式浏览器或 Grafana 等集成显示。

Prometheus是如何工作的？

Prometheus 通过抓取指标 HTTP 端点从受监控的目标收集指标。
这与大多数其他监控和警报系统不同，后者将指标推送到工具，或者使用自定义脚本对特定服务和系统执行检查。

刮擦也是最有效的机制之一。单个 Prometheus 服务器每秒能够以数百万个时间序列摄取多达一百万个样本。

Prometheus基本概念

所有数据都存储为一个时间序列，可以通过度量名称和一组称为标签的键值对来识别。

go_memstat_alloc_bytes{instance="localhost", job="prometheus"} 20 

上面的指标有两个标签：instance和job，值 20.0，称为Sample。它可以是 float64 值或毫秒精度的时间戳。

Prometheus配置

yaml配置以格式存储在 Prometheus 配置文件中。无需重新启动 Prometheus 即可更改和应用该文件，这对于某些场景很有用。可以在执行时重新加载kill-SIGHUP <pid>。

也可以在启动时将参数（标志）传递给./prometheus，但这些参数不能即时更改，因此需要重新启动服务才能在此处应用更改。

--config.file配置文件在开始时使用标志传递。默认配置如下所示：

# my global config
global:
    scrape_interval:    15s # Set the scrape interval to every 15s. Default:60s
    evaluation_interval:15s # Evaluate rules every 15s. Default:60s
    # scrape_timeout is set to the global default (10s).

# Alertmanager configuration
alerting:
    alertmanagers:
    - static_configs:
        - targets:
        # - alertmanager:9093

# Load rules once and periodically evaluate them according to the global `evaluation_interval`.
rule_files:
    # - "first_rules.yml"
    # - "second_rules.yml"

Prometheus target

要抓取指标，我们需要向 Prometheus 配置文件添加配置。例如，为了从 Prometheus 本身抓取指标，默认添加以下代码块（它是默认配置文件的一部分）：

# A scrape configuration containing exactly one endpoint to scrape:
# Here it's Prometheus itself.

scrape_configs:
    # The job name is added as a label `job=<job_name>` to any time-series scraped from this config.
    - job_name = 'prometheus'

        # metrics_path defaults to `/metrics`
        # scheme defaults to `http`.

        static_configs:
        - targets: ['localhost:9090']

Prometheus监控节点

要监控节点，我们需要安装node-exported，安装了Exporters的节点将公开机器指标，例如 Linux/*Nix 机器的 CPU 和内存使用情况。它可以用来监控机器，然后我们可以根据这些摄取的指标创建警报。

对于 Windows，我们可以使用VMI-Exporter

Prometheus架构

监控

实际上，在监控代码之前，我们应该对其进行检测。Prometheus 有很多官方和非官方的库。但是即使我们使用的语言没有库，它们也可以以简单的基于文本的格式定义。

好的，但回到监控，我们有 4 种类型的指标：

• 计数器- 只会上升的值（例如访问网站）\
• Gauge - 可以上下浮动的单个数值（例如 CPU 负载、温度）
• 直方图- 样本观察（例如请求持续时间或响应大小），这些观察被计入存储桶。包括 ( _count, 和_sum)。主要目的是计算分位数。
• Summary- 类似于直方图，摘要抽样观察（例如请求持续时间或响应大小）。摘要还提供了观察总数和所有观察值的总和，它计算了滑动时间窗口上的可配置分位数。

Prometheus推送指标

正如我之前所说，默认情况下 Prometheus 更喜欢提取指标，但有时我们会遇到需要推送指标的情况——因为它们的寿命不够长，无法每 x 秒被刮一次。在这种情况下，我们可以将指标推送到Push Gateway

Push Gateway 用作允许你推送指标的中介服务。

陷阱：

• 大多数时候这是一个单一的实例，所以这会导致 SPOF
• Prometheus 的自动实例健康监控是不可能的
• 推送网关永远不会忘记指标，除非它们通过 API 删除

推送网关功能：

• push_to_gateway- 用相同的分组键替换指标
• pushadd_to_gateway- 仅替换具有相同名称和分组键的指标
• delete_from_gateway- 删除具有给定作业和分组键的指标

Prometheus查询

对于查询指标，Prometheus 提供了一种称为PromQL的表达式语言。它是一种只读语言，因此我们无法使用它插入任何数据。

Prometheus 中有 4 种可用的值类型，我们可以针对它们执行查询：

• 即时向量- 一组时间序列，每个时间序列包含一个样本，所有样本都共享相同的时间戳。例子：node_cpu_seconds_total
• 范围向量- 一组时间序列，其中包含每个时间序列随时间变化的数据点范围。示例：node_cpu_seconds_total[5m]
• 标量- 一个简单的数字浮点值。例子：-3.14
• String - 一个简单的字符串值；目前未使用。例子：foobar

Prometheus操作符

为了处理指标，Prometheus还有一些操作符，它们可以帮助我们了解被监控的应用程序发生了什么，并允许我们将指标聚合和修改为更复杂的数据：

* Arithmetic binary operators
    - `-` (substraction)
    - `*` (multiplication)
    - `/` (division)
    - `%` (modulo)
    - `^` (power/exponentiation)
* Comparision binary operators
    - `==`,`!=`
    - `<`, `<=`, `>=`, `>`
* Logical/set binary operators
    - `and` (intersection)
    - `or` (union)
    - `unless` (complement)
* Aggregation operators
    - `sum` (calculate sum over dimensions)
    - `min` (select minimum over dimensions)
    - `max` (select maximum over dimensions)
    - `avg` (calculate average over dimensions)
    - `stddev` (calculate population standard deviation over dimensions)
    - `stdvar` (calculate population standard variance over dimensions)
    - `count` (count number of elements in the vector)
    - `count_values` (count number of elements with the same value)
    - `bottomk` (smallest k elements by sample value)
    - `topk`(largest k elements by sample value)
    - `quantile` (calculate fi-quantile (0 <= fi <= 1) over dimensions)

例子

以下是一些有用的查询示例，它们使用了一些运算符。我个人觉得它们很有用，并且在我的工作中有机会使用非常相似的。

• up{job="prometheus"} 返回up带有标签的时间序列job=prometheus
• http_requests_total{job=~=".*etheus"} 返回http_requests_total标签job匹配正则表达式的时间序列.*etheus（所有以“etheus”结尾的值）
• http_requests_total{job="prometheus}[5m] 返回 5m 时间范围内的所有值。无法在 Prometheus 仪表板中绘制
• http_requests_total{code!="2.."} 返回代码标签不匹配的时间序列2..。在这种情况下，我们过滤掉所有 HTTP 2XX 状态代码。
• rate(http_requests_total[5m])http_requests_total 在过去 5 分钟内测量的具有名称的所有时间序列的每秒速率
• sum(rate(http_requests_total[5m])) by (job) 根据标签job分组查看5分钟速率的http请求总和

Prometheus Exporters

在 Prometheus 中，我们还有一个名为 Prometheus Exporters 的概念。他们负责收集所有系统统计信息，如内存使用情况、CPU 等。主要目的是从现有的第三方指标中收集 Prometheus 指标。当 Prometheus 无法直接提取指标时（例如 haproxy 或 linux 系统统计信息），也会使用Exporters。

我们已经有很多可用的Exporters，例如 MySQL 服务器Exporters、Redis Exporters等。

所有可用的Exporters都可以在官方文档中找到。

要使用Exporters，我们需要将其定义添加到prometheus.yml文件中。

Prometheus Alertmanager

Prometheus 中的警报分为两部分：

• Prometheus 服务器中的警报规则
• Alertmanager，它是一个单独的组件。

警报规则定义 Prometheus 服务器何时应向 AlertManager 发出警报。在 AlertManager 中，我们定义了路由器和接收器。路由负责触发接收器（例如电子邮件、松弛、团队等）

警报规则

规则存在于 Prometheus 服务器配置中。它们基本上定义了我们何时想要使用其他一些设置（如严重性和描述）发出警报。他们将被触发的警报发送到外部服务。最佳实践是将警报与 Prometheus 配置分开。它们可以包含在prometheus.yml文件中，例如：

rule_files:
- "/etc/prometheus/alert.rules"

告警规则格式如下：

ALERT <alert name>
    IF <expression>
    [ FOR <duration> ]
    [ LABELS <label set> ]
    [ ANNOTATIONS <label set> ]

例如，我们为 CPU 使用率定义了一个警报。当机器处于超过 90% 的重负载 1 分钟时，此定义会触发严重警报：

groups:
- name: example
  rules:
  - alert: cpuUsage
    expr: cpu_percentage > 90
    for: 1m
    labels:
      severity: critical
    annotations:
      summary: Machine under heavy load

警报管理器

Alertmanager 处理 Prometheus 服务器发出的警报。它处理警报的重复数据删除、分组和路由。它还将警报路由到 MS Teams、电子邮件、Slack 等接收器，因此我们可以在出现任何问题时收到通知（当警报被触发时）。

Alertmanager 配置在/etc/alertmanager/alertmanager.yml文件中定义。这是一个例子：

# The root route with all parameters, which are inherited by the child
# routes if they are not overwritten.
route:
  receiver: 'default-receiver'
  group_wait: 30s
  group_interval: 5m
  repeat_interval: 4h
  group_by: [cluster, alertname]
  # All alerts that do not match the following child routes
  # will remain at the root node and be dispatched to 'default-receiver'.
  routes:
  # All alerts with service=mysql or service=cassandra
  # are dispatched to the database pager.
  - receiver: 'database-pager'
    group_wait: 10s
    matchers:
    - service=~"mysql|cassandra"
  # All alerts with the team=frontend label match this sub-route.
  # They are grouped by product and environment rather than cluster
  # and alertname.
  - receiver: 'frontend-pager'
    group_by: [product, environment]
    matchers:
    - team="frontend"

默认情况下没有安装 Alertmanager，我们应该让 Prometheus 实例知道 Alertmanager 的存在。为此，我们需要prometheus.yml通过添加以下行来更改文件：

# Alertmanager configuration
alerting:
  alertmanagers:
  - static_configs:
    - targets:
      - localhost:9093

Alertmanager 支持将类似警报分组为 1 个通知的概念。因此，如果我们的应用程序在一段时间内 10 次触发有关未处理实体的警报，我们将只收到一个警报，说明应用程序失败 10 次。它确实有助于频繁发出警报 - 如果没有分组机制，通知系统将被大量类似的消息发送到垃圾邮件中。

如果一个指定的警报已经被触发，我们也可以禁止其他警报。如果我们的数据库出现故障，我们不需要每分钟都通知它！此外，如果我们知道我们计划了一些维护窗口，我们可以在此期间使警报静音。

警报可以处于以下三种状态之一：

• 非活动 - 不满足任何规则
• 待定 - 满足规则但可以抑制
• 触发 - 警报发送到配置的通道

希望阅读完这篇文章后，你对 Prometheus 有更多的了解。你知道它可用于监控任何应用程序，并在出现任何问题时发出警报。你也知道它的基本配置是什么样子的。

如果你发现我的任何文章有帮助或有用，麻烦点赞或者转发。 谢谢！