实战 | Telegraf+ InfluxDB+Grafana 搭建服务器性能监控平台

本文涉及的产品
可观测可视化 Grafana 版,10个用户账号 1个月
简介: 在之前的文章《移动端UI自动化过程中的难点及应对策略》中我们讨论了影响移动端自动化稳定性的一些因素,其中宿主机环境是一个不可忽视的问题,大家都知道移动端的自动化一般都需要将设备挂载到实体服务器上运行,如果服务器宿主机出现断网或者磁盘空间不足等情况,都会在一定程度上影响自动化任务的执行,因此今天跟大家分享一下如何做服务器宿主机的监控。

方案


这里我采用的是Telegraf+InfluxDB+Grafana方案:


  • Telegraf:是一个用Go 编写的代理程序,可收集系统和服务的统计数据,并写入到InfluxDB 数据库
  • InfluxDB:是一个用Go 编写的开源分布式时序、事件和指标数据库,无需外部依赖
  • Grafana:是一个开源的度量分析与可视化套件


下面默认环境以Mac系统为例讲解


InfluxDB的安装


使用homebrew安装启动:

brew update 
brew install influxdb ,
brew services start influxdb


Grafana的安装


使用homebrew装启动

brew update 
brew install grafana
brew services start grafana

访问:http://localhost:3000,就会跳转到登录页面,登录初始用户名admin,初始密码admin。


Telegraf的安装


使用homebrew装启动

brew update 
brew install telegraf 
brew services start telegraf


配置文件默认在这个路径下:

/usr/local/etc/telegraf.conf


修改配置文件将收集到的数据输出到InfluxDB:

# hostname相当于 agent 的名称 或 服务器的名称 
hostname = nginx_192.168.1.10
# 输出插件,假设我们将收集的数据输出到 InfluxDB
[[outputs.influxdb]]
    urls = ["http://192.168.1.1:8086"]
    database = "telegraf" # required
    retention_policy = "rp_day_30"
    write_consistency = "any"
    timeout = "5s"
    username = "telegraf"
    password = "xxxxxxxx"

Telegraf安装配置启动完后,我们开始配Grafana的数据源,如下


image.png

之前Telegraf启动后就已经开始向我们的InfluxDB上报数据了,这里数据源配置如下:


image.png

数据源创建成功后,我们就可以制作性能监控的Dashboard了,其实这里的Dashboard不需要我们手工一个一个的去配置,Grafana官方已经提供了很全面的模板资源如下:

https://grafana.com/grafana/dashboards?dataSource=influxdb&collector=Telegraf

image.png


通过筛选,我们可以找到很多符合条件的模板,这里我推荐一个模板ID:1443,导入:

image.png

image.png


最终效果如下:

image.png

相关文章
|
2月前
|
人工智能 JavaScript API
零基础构建MCP服务器:TypeScript/Python双语言实战指南
作为一名深耕技术领域多年的博主摘星,我深刻感受到了MCP(Model Context Protocol)协议在AI生态系统中的革命性意义。MCP作为Anthropic推出的开放标准,正在重新定义AI应用与外部系统的交互方式,它不仅解决了传统API集成的复杂性问题,更为开发者提供了一个统一、安全、高效的连接框架。在过去几个月的实践中,我发现许多开发者对MCP的概念理解透彻,但在实际动手构建MCP服务器时却遇到了各种技术壁垒。从环境配置的细节问题到SDK API的深度理解,从第一个Hello World程序的调试到生产环境的部署优化,每一个环节都可能成为初学者的绊脚石。因此,我决定撰写这篇全面的实
505 67
零基础构建MCP服务器:TypeScript/Python双语言实战指南
|
2月前
|
JSON 前端开发 Go
Go语言实战:创建一个简单的 HTTP 服务器
本篇是《Go语言101实战》系列之一,讲解如何使用Go构建基础HTTP服务器。涵盖Go语言并发优势、HTTP服务搭建、路由处理、日志记录及测试方法,助你掌握高性能Web服务开发核心技能。
|
4月前
|
人工智能 安全 Shell
Jupyter MCP服务器部署实战:AI模型与Python环境无缝集成教程
Jupyter MCP服务器基于模型上下文协议(MCP),实现大型语言模型与Jupyter环境的无缝集成。它通过标准化接口,让AI模型安全访问和操作Jupyter核心组件,如内核、文件系统和终端。本文深入解析其技术架构、功能特性及部署方法。MCP服务器解决了传统AI模型缺乏实时上下文感知的问题,支持代码执行、变量状态获取、文件管理等功能,提升编程效率。同时,严格的权限控制确保了安全性。作为智能化交互工具,Jupyter MCP为动态计算环境与AI模型之间搭建了高效桥梁。
311 2
Jupyter MCP服务器部署实战:AI模型与Python环境无缝集成教程
|
10月前
|
Prometheus 运维 监控
智能运维实战:Prometheus与Grafana的监控与告警体系
【10月更文挑战第26天】Prometheus与Grafana是智能运维中的强大组合,前者是开源的系统监控和警报工具,后者是数据可视化平台。Prometheus具备时间序列数据库、多维数据模型、PromQL查询语言等特性,而Grafana支持多数据源、丰富的可视化选项和告警功能。两者结合可实现实时监控、灵活告警和高度定制化的仪表板,广泛应用于服务器、应用和数据库的监控。
950 3
|
5月前
|
弹性计算 Linux 网络安全
阿里云服务器迁移中心SMC实战指南:跨平台业务迁移教程参考
现在越来越多的个人和企业用户选择将其他云平台或者服务商的业务迁移到阿里云,但是如何快速且安全完成迁移是很多用户比较关注的问题,我们可以选择使用阿里云提供的服务器迁移中心(Server Migration Center,简称SMC),这个产品是阿里云提供给您的迁移平台,专注于提供能力普惠、体验一致、效率至上的迁移服务,满足您在阿里云的迁移需求。本文为大家展示使用阿里云服务器迁移中心SMC将其他云平台业务迁移至阿里云的教程,以供参考。
|
5月前
|
弹性计算 资源调度 搜索推荐
阿里云ECS中长期成本节省计划解析:从原理到实战,助力企业降本提效
阿里云ECS节省计划的推出为企业用户提供了一种全新的成本优化方案。通过一次性购买的方式享受长期按量付费的折扣权益,客户不仅可以大幅降低ECS资源的使用成本还可以享受更高的灵活性和便捷性。本文将从多个维度深入剖析阿里云ECS节省计划,包括其核心优势、详尽的购买使用指引、与传统付费模式的全面对比,以及一客户成功案例,以供大家了解和参考。
|
5月前
|
Go API 定位技术
MCP 实战:用 Go 语言开发一个查询 IP 信息的 MCP 服务器
随着 MCP 的快速普及和广泛应用,MCP 服务器也层出不穷。大多数开发者使用的 MCP 服务器开发库是官方提供的 typescript-sdk,而作为 Go 开发者,我们也可以借助优秀的第三方库去开发 MCP 服务器,例如 ThinkInAIXYZ/go-mcp。 本文将详细介绍如何在 Go 语言中使用 go-mcp 库来开发一个查询 IP 信息的 MCP 服务器。
346 0
|
9月前
|
存储 数据采集 Prometheus
Grafana Prometheus Altermanager 监控系统
Grafana、Prometheus 和 Alertmanager 是一套强大的开源监控系统组合。Prometheus 负责数据采集与存储,Alertmanager 处理告警通知,Grafana 提供可视化界面。本文简要介绍了这套系统的安装配置流程,包括各组件的下载、安装、服务配置及开机自启设置,并提供了访问地址和重启命令。适用于希望快速搭建高效监控平台的用户。
489 20
|
9月前
|
Prometheus 监控 Cloud Native
Prometheus+Grafana监控Linux主机
通过本文的步骤,我们成功地在 Linux 主机上使用 Prometheus 和 Grafana 进行了监控配置。具体包括安装 Prometheus 和 Node Exporter,配置 Grafana 数据源,并导入预设的仪表盘来展示监控数据。通过这种方式,可以轻松实现对 Linux 主机的系统指标监控,帮助及时发现和处理潜在问题。
775 7

热门文章

最新文章

推荐镜像

更多