基于Prometheus和Grafana的监控平台 - 运维告警

通过前面几篇文章我们搭建好了监控环境并且监控了服务器、数据库、应用，运维人员可以实时了解当前被监控对象的运行情况，但是他们不可能时时坐在电脑边上盯着DashBoard，这就需要一个告警功能，当服务器或应用指标异常时发送告警，通过邮件或者短信的形式告诉运维人员及时处理。

今天我们就来聊聊 基于Prometheus和Grafana的监控平台的异常告警功能，这也是Prometheus系列的最后一篇。

告警方式

Grafana

新版本的Grafana已经提供了告警配置，直接在dashboard监控panel中设置告警即可，但是我用过后发现其实并不灵活，不支持变量，而且好多下载的图表无法使用告警，所以我们不选择使用Grafana告警，而使用Alertmanager。

Alertmanager

相比于Grafana的图形化界面，Alertmanager需要依靠配置文件实现，配置稍显繁琐，但是胜在功能强大灵活。接下来我们就一步一步实现告警通知。

告警类型

Alertmanager告警主要使用以下两种：

• 邮件接收器 email_config
  
• Webhook接收器 webhook_config，会用post形式向配置的url地址发送如下格式的参数。

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

这次主要使用邮件的方式进行告警。

实现步骤

• 下载
  从GitHub上下载最新版本的Alertmanager,将其上传解压到服务器上。
  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' #邮箱发送端口
 smtp_from: 'xxx@163.com'
 smtp_auth_username: 'xxx@163.com' #邮箱账号
 smtp_auth_password: 'xxxxxx' #邮箱密码
 smtp_require_tls: false
route:
 group_by: ['alertname']
 group_wait: 10s  # 最初即第一次等待多久时间发送一组警报的通知
 group_interval: 10s # 在发送新警报前的等待时间
 repeat_interval: 1h # 发送重复警报的周期 对于email配置中，此项不可以设置过低，否则将会由于邮件发送太多频繁，被smtp服务器拒绝
 receiver: 'email'
receivers:
- name: 'email'
 email_configs:
 - to: 'xxx@xxx.com'

• 修改完成后可以使用./amtool check-config alertmanager.yml校验文件是否正确。
• 
  校验正确后使用命令启动alertmanager。nohup ./alertmanager &。（第一次启动可以不使用nohup静默启动，方便后面查看日志）
  上面的配置中我们只定义了一个路由，那就意味着所有由Prometheus产生的告警在发送到Alertmanager之后都会通过名为email的receiver接收。实际上，对于不同级别的告警，会有不同的处理方式，因此在route中，我们还可以定义更多的子Route。具体配置规则大家可以去百度进一步了解。
• 配置Prometheus
  在Prometheus安装目录下建立rules文件夹，放置所有的告警规则文件。

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

• 在rules文件夹下建立告警规则文件service_down.yml,当服务器下线时发送邮件。

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 }}"

• 配置详解
  alert：告警规则的名称。
  expr：基于PromQL表达式告警触发条件，用于计算是否有时间序列满足该条件。
  for：评估等待时间，可选参数。用于表示只有当触发条件持续一段时间后才发送告警。在等待期间新产生告警的状态为PENDING，等待期后为FIRING。
  labels：自定义标签，允许用户指定要附加到告警上的一组附加标签。
  annotations：用于指定一组附加信息，比如用于描述告警详细信息的文字等，annotations的内容在告警产生时会一同作为参数发送到Alertmanager。
  配置完成后重启Prometheus，访问Prometheus查看告警配置。
• 
• 测试
  关闭node_exporter,过2分钟就可以收到告警邮件啦，截图如下：
• 
  Alertmanager的告警内容支持使用模板配置，可以使用好看的模板进行渲染，感兴趣的可以试试！
  

The More

node exporter的一些指标计算语句

• CPU使用率(单位为percent)
  (avg by (instance) (irate(node_cpu_seconds_total{mode="idle"}[5m])) * 100)
  
• 内存已使用(单位为bytes)
  node_memory_MemTotal_bytes - node_memory_MemFree_bytes - node_memory_Cached_bytes - node_memory_Buffers_bytes - node_memory_Slab_bytes
  
• 内存使用量(单位为bytes/sec)
  node_memory_MemTotal_bytes - node_memory_MemFree_bytes - node_memory_Cached_bytes - node_memory_Buffers_bytes - node_memory_Slab_bytes
  
• 内存使用率(单位为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的内存使用率(单位为percent)
  ((node_memory_MemTotal_bytes{instance="server1"} - node_memory_MemAvailable_bytes{instance="server1"})/node_memory_MemTotal_bytes{instance="server1"}) * 100
  
• server2的磁盘使用率(单位为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时间(单位为seconds)
  time() - node_boot_time
  
• server1的uptime时间(单位为seconds)
  time() - node_boot_time_seconds{instance="server1"}
  
• 网络流出量(单位为bytes/sec)
  irate(node_network_transmit_bytes_total{device!~"lo|bond[0-9]|cbr[0-9]|veth.*"}[5m]) > 0
  
• server1的网络流出量(单位为bytes/sec)
  irate(node_network_transmit_bytes_total{instance="server1", device!~"lo|bond[0-9]|cbr[0-9]|veth.*"}[5m]) > 0
  
• 网络流入量(单位为bytes/sec)
  irate(node_network_receive_bytes_total{device!~"lo|bond[0-9]|cbr[0-9]|veth.*"}[5m]) > 0
  
• server1的网络流入量(单位为bytes/sec)
  irate(node_network_receive_bytes_total{instance="server1", device!~"lo|bond[0-9]|cbr[0-9]|veth.*"}[5m]) > 0
  
• 磁盘读取速度(单位为bytes/sec) irate(node_disk_read_bytes_total{device=~"sd.*"}[5m])