在本文中，我们将探讨如何设计一个可扩展的指标监控和告警系统。 一个好的监控和告警系统，对基础设施的可观察性，高可用性，可靠性方面发挥着关键作用。
下图显示了市面上一些流行的指标监控和告警服务。
接下来，我们会设计一个类似的服务，可以供大公司内部使用。
设计要求
从一个小明去面试的故事开始。
面试官：如果让你设计一个指标监控和告警系统，你会怎么做？
小明：好的，这个系统是为公司内部使用的，还是设计像 Datadog 这种 SaaS 服务？
面试官：很好的问题，目前这个系统只是公司内部使用。
小明：我们想收集哪些指标信息？
面试官：包括操作系统的指标信息，中间件的指标，以及运行的应用服务的 qps 这些指标。
小明：我们用这个系统监控的基础设施的规模是多大的？
面试官：1亿日活跃用户，1000个服务器池，每个池 100 台机器。
小明：指标数据要保存多长时间呢？
面试官：我们想保留一年。
小明：好吧，为了较长时间的存储，可以降低指标数据的分辨率吗？
面试官：很好的问题，对于最新的数据，会保存 7 天，7天之后可以降低到1分钟的分辨率，而到 30 天之后，可以按照 1 小时的分辨率做进一步的汇总。
小明：支持的告警渠道有哪些？
面试官：邮件，电 钉钉，企业微信，Http Endpoint。
小明：我们需要收集日志吗？还有是否需要支持分布式系统的链路追踪？
面试官：目前专注于指标，其他的暂时不考虑。
小明：好的，大概都了解了。
总结一下，被监控的基础设施是大规模的，以及需要支持各种维度的指标。另外，整体的系统也有较高的要求，要考虑到可扩展性，低延迟，可靠性和灵活性。
基础知识
一个指标监控和告警系统通常包含五个组件，如下图所示
- 数据收集：从不同的数据源收集指标数据。
- 数据传输：把指标数据发送到指标监控系统。
- 数据存储：存储指标数据。
- 告警：分析接收到的数据，检测到异常时可以发出告警通知。
- 可视化：可视化页面，以图形，图表的形式呈现数据。
数据模式
指标数据通常会保存为一个时间序列，其中包含一组值及其相关的时间戳。
序列本身可以通过名称进行唯一标识，也可以通过一组标签进行标识。
让我们看两个例子。
示例1：生产服务器 i631 在 20:00 的 CPU 负载是多少？
上图标记的数据点可以用下面的格式表示
在上面的示例中，时间序列由指标名称，标签（host:i631,env:prod），时间戳以及对应的值构成。
示例2：过去 10 分钟内上海地区所有 Web 服务器的平均 CPU 负载是多少？
从概念上来讲，我们会查询出和下面类似的内容
CPU.load host=webserver01,region=shanghai 1613707265 50
CPU.load host=webserver01,region=shanghai 1613707270 62
CPU.load host=webserver02,region=shanghai 1613707275 43
我们可以通过上面每行末尾的值计算平均 CPU 负载，上面的数据格式也称为行协议。是市面上很多监控软件比较常用的输入格式，Prometheus 和 OpenTSDB 就是两个例子。
每个时间序列都包含以下内容：
- 指标名称，字符串类型的 metric name 。
- 一个键值对的数组，表示指标的标签，List<key,value>
- 一个包含时间戳和对应值的的数组，List <value, timestamp>
数据存储
数据存储是设计的核心部分，不建议构建自己的存储系统，也不建议使用常规的存储系统（比如 MySQL）来完成这项工作。
理论下，常规数据库可以支持时间序列数据， 但是需要数据库专家级别的调优后，才能满足数据量比较大的场景需求。
具体点说，关系型数据库没有对时间序列数据进行优化，有以下几点原因
- 在滚动时间窗口中计算平均值，需要编写复杂且难以阅读的 SQL。
- 为了支持标签（tag/label）数据，我们需要给每个标签加一个索引。
- 相比之下，关系型数据库在持续的高并发写入操作时表现不佳。
那 NoSQL 怎么样呢？理论上，市面上的少数 NoSQL 数据库可以有效地处理时间序列数据。比如 Cassandra 和 Bigtable 都可以。但是，想要满足高效存储和查询数据的需求，以及构建可扩展的系统，需要深入了解每个 NoSQL 的内部工作原理。
相比之下，专门对时间序列数据优化的时序数据库，更适合这种场景。
OpenTSDB 是一个分布式时序数据库，但由于它基于 Hadoop 和 HBase，运行 Hadoop/HBase 集群也会带来复杂性。Twitter 使用了 MetricsDB 时序数据库存储指标数据，而亚马逊提供了 Timestream 时序数据库服务。
根据 DB-engines 的报告，两个最流行的时序数据库是 InfluxDB 和 Prometheus ，它们可以存储大量时序数据，并支持快速地对这些数据进行实时分析。
如下图所示，8 核 CPU 和 32 GB RAM 的 InfluxDB 每秒可以处理超过 250,000 次写入。
高层次设计
- Metrics Source 指标来源，应用服务，数据库，消息队列等。
- Metrics Collector 指标收集器。
- Time series DB 时序数据库，存储指标数据。
- Query Service 查询服务，向外提供指标查询接口。
- Alerting System 告警系统，检测到异常时，发送告警通知。
- Visualization System 可视化，以图表的形式展示指标。
深入设计
现在，让我们聚焦于数据收集流程。主要有推和拉两种方式。
拉模式
上图显示了使用了拉模式的数据收集，单独设置了数据收集器，定期从运行的应用中拉取指标数据。
这里有一个问题，数据收集器如何知道每个数据源的地址? 一个比较好的方案是引入服务注册发现组件，比如 etcd，ZooKeeper，如下
下图展示了我们现在的数据拉取流程。
- 指标收集器从服务发现组件中获取元数据，包括拉取间隔，IP 地址，超时，重试参数等。
- 指标收集器通过设定的 HTTP 端点获取指标数据。
在数据量比较大的场景下，单个指标收集器是独木难支的，我们必须使用一组指标收集器。但是多个收集器和多个数据源之间应该如何协调，才能正常工作不发生冲突呢？
一致性哈希很适合这种场景，我们可以把数据源映射到哈希环上，如下
这样可以保证每个指标收集器都有对应的数据源，相互工作且不会发生冲突。
推模式
如下图所示，在推模式中，各种指标数据源（Web 应用，数据库，消息队列）直接发送到指标收集器。
在推模式中，需要在每个被监控的服务器上安装收集器代理，它可以收集服务器的指标数据，然后定期的发送给指标收集器。
推和拉两种模式哪种更好？没有固定的答案，这两个方案都是可行的，甚至在一些复杂场景中，需要同时支持推和拉。
扩展数据传输
现在，让我们主要关注指标收集器和时序数据库。不管使用推还是拉模式，在需要接收大量数据的场景下，指标收集器通常是一个服务集群。
但是，当时序数据库不可用时，就会存在数据丢失的风险，所以，我们引入了 Kafka 消息队列组件， 如下图
指标收集器把指标数据发送到 Kafka 消息队列，然后消费者或者流处理服务进行数据处理，比如 Apache Storm、Flink 和 Spark, 最后再推送到时序数据库。
指标计算
指标在多个地方都可以聚合计算，看看它们都有什么不一样。
- 客户端代理：客户端安装的收集代理只支持简单的聚合逻辑。
- 传输管道：在数据写入时序数据库之前，我们可以用 Flink 流处理服务进行聚合计算，然后只写入汇总后的数据，这样写入量会大大减少。但是由于我们没有存储原始数据，所以丢失了数据精度。
- 查询端：我们可以在查询端对原始数据进行实时聚合查询，但是这样方式查询效率不太高。
时序数据库查询语言
大多数流行的指标监控系统，比如 Prometheus 和 InfluxDB 都不使用 SQL，而是有自己的查询语言。一个主要原因是很难通过 SQL 来查询时序数据, 并且难以阅读，比如下面的SQL 你能看出来在查询什么数据吗？
select id,
temp,
avg(temp) over (partition by group_nr order by time_read) as rolling_avg
from (
select id,
temp,
time_read,
interval_group,
id - row_number() over (partition by interval_group order by time_read) as group_nr
from (
select id,
time_read,
"epoch"::timestamp + "900 seconds"::interval * (extract(epoch from time_read)::int4 / 900) as interval_group,
temp
from readings
) t1
) t2
order by time_read;
相比之下， InfluxDB 使用的针对于时序数据的 Flux 查询语言会更简单更好理解，如下
from(db:"telegraf")
|> range(start:-1h)
|> filter(fn: (r) => r._measurement == "foo")
|> exponentialMovingAverage(size:-10s)
数据编码和压缩
数据编码和压缩可以很大程度上减小数据的大小，特别是在时序数据库中，下面是一个简单的例子。
因为一般数据收集的时间间隔是固定的，所以我们可以把一个基础值和增量一起存储，比如 1610087371, 10, 10, 9, 11 这样，可以占用更少的空间。
下采样
下采样是把高分辨率的数据转换为低分辨率的过程，这样可以减少磁盘使用。由于我们的数据保留期是1年，我们可以对旧数据进行下采样，这是一个例子：
- 7天数据，不进行采样。
- 30天数据，下采样到1分钟的分辨率
- 1年数据，下采样到1小时的分辨率。
我们看另外一个具体的例子，它把 10 秒分辨率的数据聚合为 30 秒分辨率。
原始数据
下采样之后
告警服务
让我们看看告警服务的设计图，以及工作流程。
加载 YAML 格式的告警配置文件到缓存。
- name: instance_down rules: # 服务不可用时间超过 5 分钟触发告警. - alert: instance_down expr: up == 0 for: 5m labels: severity: page警报管理器从缓存中读取配置。
根据告警规则，按照设定的时间和条件查询指标，如果超过阈值，则触发告警。
Alert Store 保存着所有告警的状态（挂起，触发，已解决）。
符合条件的告警会添加到 Kafka 中。
消费队列，根据告警规则，发送警报信息到不同的通知渠道。
可视化
可视化建立在数据层之上，指标数据可以在指标仪表板上显示，告警信息可以在告警仪表板上显示。下图显示了一些指标，服务器的请求数量、内存/CPU 利用率、页面加载时间、流量和登录信息。
Grafana 可以是一个非常好的可视化系统，我们可以直接拿来使用。
总结
在本文中，我们介绍了指标监控和告警系统的设计。在高层次上，我们讨论了数据收集、时序数据库、告警和可视化，下图是我们最终的设计：
Reference
[0] System Design Interview Volume 2:
https://www.amazon.com/System-Design-Interview-Insiders-Guide/dp/1736049119
[1] Datadog: https://www.datadoghq.com/
[2] Splunk: https://www.splunk.com/
[3] Elastic stack: https://www.elastic.co/elastic-stack
[4] Dapper, a Large-Scale Distributed Systems Tracing Infrastructure:
https://research.google/pubs/pub36356/
[5] Distributed Systems Tracing with Zipkin:
https://blog.twitter.com/engineering/en_us/a/2012/distributed-systems-tracing-with-zipkin.html
[6] Prometheus: https://prometheus.io/docs/introduction/overview/
[7] OpenTSDB - A Distributed, Scalable Monitoring System: http://opentsdb.net/
[8] Data model: : https://prometheus.io/docs/concepts/data_model/
[9] Schema design for time-series data | Cloud Bigtable Documentation
https://cloud.google.com/bigtable/docs/schema-design-time-series
[10] MetricsDB: TimeSeries Database for storing metrics at Twitter:
https://blog.twitter.com/engineering/en_us/topics/infrastructure/2019/metricsdb.html
[11] Amazon Timestream: https://aws.amazon.com/timestream/
[12] DB-Engines Ranking of time-series DBMS: https://db-engines.com/en/ranking/time+series+dbms
[13] InfluxDB: https://www.influxdata.com/
[14] etcd: https://etcd.io
[15] Service Discovery with Zookeeper
https://cloud.spring.io/spring-cloud-zookeeper/1.2.x/multi/multi_spring-cloud-zookeeper-discovery.html
[16] Amazon CloudWatch: https://aws.amazon.com/cloudwatch/
[17] Graphite: https://graphiteapp.org/
[18] Push vs Pull: http://bit.ly/3aJEPxE
[19] Pull doesn’t scale - or does it?:
https://prometheus.io/blog/2016/07/23/pull-does-not-scale-or-does-it/
[20] Monitoring Architecture:
https://developer.lightbend.com/guides/monitoring-at-scale/monitoring-architecture/architecture.html
[21] Push vs Pull in Monitoring Systems:
https://giedrius.blog/2019/05/11/push-vs-pull-in-monitoring-systems/
[22] Pushgateway: https://github.com/prometheus/pushgateway
[23] Building Applications with Serverless Architectures
https://aws.amazon.com/lambda/serverless-architectures-learn-more/
[24] Gorilla: A Fast, Scalable, In-Memory Time Series Database:
http://www.vldb.org/pvldb/vol8/p1816-teller.pdf
[25] Why We’re Building Flux, a New Data Scripting and Query Language:
https://www.influxdata.com/blog/why-were-building-flux-a-new-data-scripting-and-query-language/
[26] InfluxDB storage engine: https://docs.influxdata.com/influxdb/v2.0/reference/internals/storage-engine/
[27] YAML: https://en.wikipedia.org/wiki/YAML
[28] Grafana Demo: https://play.grafana.org/
最后
做了一个 .NET 的学习网站，内容涵盖了分布式系统，数据结构与算法，设计模式，操作系统，计算机网络等，以及工作推荐和面试经验分享，欢迎来撩。
关注公众号
回复 dotnet 获取网站地址。
回复 面试题 获取 .NET 面试题。
回复 程序员副业 获取适合程序员的副业指南。
