基於Prometheus和Grafana的監控平台 - 運維告警

通過前面幾篇文章我們搭建好了監控環境並且監控了服務器、 數據庫、應用，運維人員可以實時了解當前被監控對象的運行情況，但是他們不可能時時坐在電腦邊上盯着DashBoard，這就需要一個告警功能，當服務器或應用指標異常時發送告警，通過郵件或者短信的形式告訴運維人員及時處理。

今天我們就來聊聊 基於Prometheus和Grafana的監控平台的異常告警功能。

告警方式

Grafana

新版本的Grafana已經提供了告警配置，直接在dashboard監控panel中設置告警即可，但是我用過后發現其實並不靈活，不支持變量，而且好多下載的圖表無法使用告警，所以我們不選擇使用Grafana告警，而使用Alertmanager。

Alertmanager

相比於Grafana的圖形化界面，Alertmanager需要依靠配置文件實現，配置稍顯繁瑣，但是勝在功能強大靈活。接下來我們就一步一步實現告警通知。

告警類型

Alertmanager告警主要使用以下兩種：

• 郵件接收器 email_config
  
• Webhook接收器 webhook_config，會用post形式向配置的url地址發送如下格式的參數。

 {
    "version": "2",
    "status": "<resolved|firing>",
    "alerts": [{
            "labels":  < object > ,
            "annotations":  < object > ,
            "startsAt": "<rfc3339>",
            "endsAt": "<rfc3339>"
            }]
    }

這次主要使用郵件的方式進行告警。

#### 實現步驟

• 下載
  從GitHub上下載最新版本的Alertmanager,將其上傳解壓到服務器上。
  tar -zxvf alertmanager-0.19.0.linux-amd64.tar.gz

• 配置Alertmanager

vi alertmanager.yml
global:
  resolve_timeout: 5m
  smtp_smarthost: 'mail.163.com:25' #郵箱發送端口
  smtp_from: '[e-mail]'
  smtp_auth_username: '[e-mail]' #郵箱賬號
  smtp_auth_password: 'xxxxxx' #郵箱密碼
  smtp_require_tls: false
route:
  group_by: ['alertname']
  group_wait: 10s  # 最初即第一次等待多久時間發送一組警報的通知
  group_interval: 10s # 在發送新警報前的等待時間
  repeat_interval: 1h # 發送重復警報的周期 對於email配置中，此項不可以設置過低，否則將會由於郵件發送太多頻繁，被smtp服務器拒絕
  receiver: 'email'
receivers:
  - name: 'email'
    email_configs:
    - to: '[e-mail]'

修改完成后可以使用./amtool check-config alertmanager.yml校驗文件是否正確。

校驗正確啟動alertmanager。`nohup ./alertmanager &`。（第一次啟動可以不使用nohup靜默啟動，方便后面查看日志）

我們只定義了一個路由，那就意味着所有由Prometheus產生的告警在發送到Alertmanager之后都會通過名為`email`的receiver接收。實際上，對於不同級別的告警，會有不同的處理方式，因此在route中，我們還可以定義更多的子Route。具體配置規則大家可以去百度進一步了解。

• 配置Prometheus
  在Prometheus安裝目錄下建立rules文件夾，放置所有的告警規則文件。

  alerting:
      alertmanagers:
      - static_configs:
          - targets: ['192.168.249.131:9093']
  
  rule_files:
      - rules/*.yml

在rules文件夾下建立告警規則文件service_down.yml,當服務器下線時發送郵件。
groups: - name: ServiceStatus rules: - alert: ServiceStatusAlert expr: up == 0 for: 2m labels: team: node annotations: summary: "Instance {{ $labels.instance }} has bean down" description: "{{ $labels.instance }} of job {{ $labels.job }} has been down for more than 2 minutes." value: "{{ $value }}"

**配置詳解**  

alert：告警規則的名稱。
expr：基於PromQL表達式告警觸發條件，用於計算是否有時間序列滿足該條件。
for：評估等待時間，可選參數。用於表示只有當觸發條件持續一段時間后才發送告警。在等待期間新產生告警的狀態為PENDING，等待期后為FIRING。
labels：自定義標簽，允許用戶指定要附加到告警上的一組附加標簽。
annotations：用於指定一組附加信息，比如用於描述告警詳細信息的文字等，annotations的內容在告警產生時會一同作為參數發送到Alertmanager。

配置完成后重啟Prometheus，訪問Prometheus查看告警配置。

• 測試

關閉node_exporter,過2分鍾就可以收到告警郵件啦，截圖如下：

Alertmanager的告警內容支持使用模板配置，可以使用好看的模板進行渲染，感興趣的可以試試！

The More

node exporter的一些計算語句

• CPU使用率(單位為percent)
  (avg by (instance) (irate(node_cpu_seconds_total{mode="idle"}[5m])) * 100)

• 內存已使用(單位為bytes)
  node_memory_MemTotal_bytes - node_memory_MemFree_bytes - node_memory_Cached_bytes - node_memory_Buffers_bytes - node_memory_Slab_bytes

• 內存使用量(單位為bytes/sec)
  node_memory_MemTotal_bytes - node_memory_MemFree_bytes - node_memory_Cached_bytes - node_memory_Buffers_bytes - node_memory_Slab_bytes

• 內存使用率(單位為percent)
  ((node_memory_MemTotal_bytes - node_memory_MemFree_bytes - node_memory_Cached_bytes - node_memory_Buffers_bytes - node_memory_Slab_bytes)/node_memory_MemTotal_bytes) * 100

• server1的內存使用率(單位為percent)
  ((node_memory_MemTotal_bytes{instance="server1"} - node_memory_MemAvailable_bytes{instance="server1"})/node_memory_MemTotal_bytes{instance="server1"}) * 100

• server2的磁盤使用率(單位為percent)
  ((node_filesystem_size_bytes{fstype=~"xfs|ext4",instance="server2"} - node_filesystem_free_bytes{fstype=~"xfs|ext4",instance="server2"}) / node_filesystem_size_bytes{fstype=~"xfs|ext4",instance="server2"}) * 100

• uptime時間(單位為seconds)
  time() - node_boot_time

• server1的uptime時間(單位為seconds)
  time() - node_boot_time_seconds{instance="server1"}

• 網絡流出量(單位為bytes/sec)
  irate(node_network_transmit_bytes_total{device!~"lo|bond[0-9]|cbr[0-9]|veth.*"}[5m]) > 0

• server1的網絡流出量(單位為bytes/sec)
  irate(node_network_transmit_bytes_total{instance="server1", device!~"lo|bond[0-9]|cbr[0-9]|veth.*"}[5m]) > 0

• 網絡流入量(單位為bytes/sec)
  irate(node_network_receive_bytes_total{device!~"lo|bond[0-9]|cbr[0-9]|veth.*"}[5m]) > 0

• server1的網絡流入量(單位為bytes/sec)
  irate(node_network_receive_bytes_total{instance="server1", device!~"lo|bond[0-9]|cbr[0-9]|veth.*"}[5m]) > 0

• 磁盤讀取速度(單位為bytes/sec)
  irate(node_disk_read_bytes_total{device=~"sd.*"}[5m])