使用Prometheus搞定微服务监控

使用Prometheus搞定微服务监控

最近对服务进行监控，而当前监控最流行的数据库就是 Prometheus，同时 go-zero 默认接入也是这款数据库。今天就对 go-zero 是如何接入 Prometheus ，以及开发者如何本身定义本身监控指标。

监控接入

go-zero 框架中集成了基于 prometheus 的服务指标监控。可是没有显式打开，须要开发者在 config.yaml 中配置：

Prometheus:
  Host: 127.0.0.1
  Port: 9091
  Path: /metrics

若是开发者是在本地搭建 Prometheus，须要在 Prometheus 的配置文件 prometheus.yaml 中写入须要收集服务监控信息的配置：

- job_name: 'file_ds'
    static_configs:
      - targets: ['your-local-ip:9091']
        labels:
          job: activeuser
          app: activeuser-api
          env: dev
          instance: your-local-ip:service-port

由于本地是用 docker 运行的。将 prometheus.yaml 放置在 docker-prometheus 目录下：

docker run \
    -p 9090:9090 \
    -v dockeryml/docker-prometheus:/etc/prometheus \
    prom/prometheus

打开 localhost:9090 就能够看到：

点击 http://service-ip:9091/metrics 就能够看到该服务的监控信息：

上图咱们能够看出有两种 bucket，以及 count/sum 指标。

那 go-zero 是如何集成监控指标？监控的又是什么指标？咱们如何定义咱们本身的指标？下面就来解释这些问题

以上的基本接入，能够参看咱们的另一篇：https://zeromicro.github.io/go-zero/service-monitor.html

如何集成

上面例子中的请求方式是 HTTP，也就是在请求服务端时，监控指标数据不断被搜集。很容易想到是 中间件 的功能，具体代码：https://github.com/tal-tech/go-zero/blob/master/rest/handler/prometheushandler.go。

var (
	metricServerReqDur = metric.NewHistogramVec(&metric.HistogramVecOpts{
		...
    // 监控指标
		Labels:    []string{"path"},
    // 直方图分布中，统计的桶
		Buckets:   []float64{5, 10, 25, 50, 100, 250, 500, 1000},
	})

	metricServerReqCodeTotal = metric.NewCounterVec(&metric.CounterVecOpts{
		...
    // 监控指标：直接在记录指标 incr() 便可
		Labels:    []string{"path", "code"},
	})
)

func PromethousHandler(path string) func(http.Handler) http.Handler {
	return func(next http.Handler) http.Handler {
		return http.HandlerFunc(func(w http.ResponseWriter, r *http.Request) {
      // 请求进入的时间
			startTime := timex.Now()
			cw := &security.WithCodeResponseWriter{Writer: w}
			defer func() {
        // 请求返回的时间
				metricServerReqDur.Observe(int64(timex.Since(startTime)/time.Millisecond), path)
				metricServerReqCodeTotal.Inc(path, strconv.Itoa(cw.Code))
			}()
			// 中间件放行，执行完后续中间件和业务逻辑。从新回到这，作一个完整请求的指标上报
      // [????：洋葱模型]
			next.ServeHTTP(cw, r)
		})
	}
}

其实整个很简单：

1. HistogramVec 负责请求耗时搜集：

• bucket 存放的就是 option 指定的耗时指标。某个请求耗时多少就会被汇集对应的桶，计数。
• 最终展现的就是一个路由在不一样耗时的分布，很直观提供给开发者能够优化的区域。

CounterVec 负责指定 labels 标签搜集：

• Labels: []string{"path", "code"}
• labels 至关一个 tuple。go-zero 是以(path, code)做为总体，记录不一样路由不一样状态码的返回次数。若是 4xx,5xx过多的时候，是否是应该看看你的服务健康程度？

如何自定义

go-zero 中也提供了 prometheus metric 基本封装，供开发者本身开发本身 prometheus 中间件。

代码：https://github.com/tal-tech/go-zero/tree/master/core/metric

名称	用途	搜集函数
CounterVec	单一的计数。用作：QPS统计	CounterVec.Inc() 指标+1
GuageVec	单纯指标记录。适用于磁盘容量，CPU/Mem使用率（可增长可减小）	GuageVec.Inc()/GuageVec.Add() 指标+1/指标加N，也能够为负数
HistogramVec	反应数值的分布状况。适用于：请求耗时、响应大小	HistogramVec.Observe(val, labels) 记录指标当前对应值，并找到值所在的桶，+1

另外对 HistogramVec.Observe() 作一个基本分析：

咱们其实能够看到上图每一个 HistogramVec 统计都会有3个序列出现：

• _count：数据个数
• _sum：所有数据加和
• _bucket{le=a1}：处于 [-inf, a1] 的数据个数

因此咱们也猜想在统计过程当中，分3种数据进行统计：

// 基本上在prometheus的统计都是使用 atomic CAS 方式进行计数的
// 性能要比使用 Mutex 要高
func (h *histogram) observe(v float64, bucket int) {
	n := atomic.AddUint64(&h.countAndHotIdx, 1)
	hotCounts := h.counts[n>>63]

	if bucket < len(h.upperBounds) {
    // val 对应数据桶 +1
		atomic.AddUint64(&hotCounts.buckets[bucket], 1)
	}
	for {
		oldBits := atomic.LoadUint64(&hotCounts.sumBits)
		newBits := math.Float64bits(math.Float64frombits(oldBits) + v)
    // sum指标数值 +v（毕竟是总数sum）
		if atomic.CompareAndSwapUint64(&hotCounts.sumBits, oldBits, newBits) {
			break
		}
	}
	// count 统计 +1
	atomic.AddUint64(&hotCounts.count, 1)
}

因此开发者想定义本身的监控指标：

1. 在使用 goctl 生成API代码指定要生成的 中间件：https://zeromicro.github.io/go-zero/middleware.html
2. 在中间件文件书写本身须要统计的指标逻辑
3. 固然，开发者也能够在业务逻辑中书写统计的指标逻辑。同上。

上述都是针对 HTTP 部分逻辑的解析，RPC 部分的逻辑相似，你能够在 拦截器 部分看到设计。

总结

本文分析了 go-zero 服务监控指标的逻辑，固然对于一些基础设施的监控，prometheus 能够经过引入对应的 exporter 来完成。