「DataFlux」基于行协议实现软件自监控

在 DataFlux 的日常开发中，我们也会遇到其他开发者都会遇到的问题:怎么监控我们⾃己写的程序呢?

DataFlux ⼤概的模块如下:

在上图中，各种数据都是通过数据网关(DataWay)传入数据中心的，数据网关中收集的都是行协议形式的数据，所谓行协议，它大概形式如下:

指标集名称 标签列列表 指标列列表 时间戳 

比如:

其中，标签列表是相对固定的属性，如体检数据中的姓名和性别。而指标列表则是⼀些相对比较动态的属性，它们会随着时间推移而变化。最后就是以纳秒为单位的 Unix 时间戳。

在上图中，为了采集 k8s 集群内各个服务的指标数据，有两种⽅方式:

• 开发专⽤的采集器，采集各个服务的数据，然后上报给数据网关
• 各个服务⾃己报告⾃己感兴趣的指标，上报给数据⽹关
  

第⼀种方式实现不太方便，首先，各个服务需要开放数据采集接口，然后还要单独开发采集器调用接口来采集运行⽇志，通常情况下，这些数据都是⾼度定制的，不太能使用现有的工具来采集。

第二种⽅式就很灵活，得益于行协议的简单设计，各个子服务只需要将⾃己感兴趣的运行指标，以行协议的方式上报给数据⽹关即可，⽆无需在采用其它的⼯具来收集运⾏⽇志。

下⾯是⼀段示例代码:查询 InfluxDB 时，我们希望能监控一些较慢(响应时间大于 1 秒)的查询:

start := time.Now()
sql := `SELECT * FROM "体检数据"` influx.Query(sql)
elapsed := time.Since(start)
if elapsed.Seconds() > 1.0 {
event := fmt.Sprintf(`influx_slow_query,集群ID=%s,DB=%s sql="%s",cost=%f %d`, influx.InstanceID,
                          influx.DB,
                          sql,
                          elapsed.Seconds(),
                          time.Now().Nanosecond())
     dataway.Send(event)
 }

这样一来，一旦有一个慢查询，就能在 Web 上看到这个慢查询记录，我们可以轻松定位是哪个查询语句、 在哪个实例上出现了慢查询。进一步通过对 SQL 以及 InfluxDB 本身的监控分析，我们就能确定，是 SQL 编写的问题(这里明显是因为没有 LIMIT 数据条数，数据量太大导致的)，还是集群负载过高的问题。

通过这种⽅式，我们能收集数据中心、数据网关自身以及集群内其它子服务的运行日志（如上图中红线箭头所示)，甚至，通过 Telegraf、Prometheus 等开源⼯具，我们还能将 k8s 集群本身的数据，通过数据网关汇聚，从而实现对它们的统一监控。