自动化监控系统PrometheusGrafana

Prometheus 算是一个全能型选手，原生支持容器监控，当然监控传统应用也不是吃干饭的，所以就是容器和非容器他都支持，所有的监控系统都具备这个流程，数据采集→数据处理→数据存储→数据展示→告警

Prometheus 特点展开目录

  • 多维数据模型：由度量名称和键值对标识的时间序列数据
  • PromSQL: — 种灵活的查询语言，可以利用多维数据完成复杂的查询
  • 不依赖分布式存储，单个服务器节点可直接工作
  • 基于 HTTP 的 pull 方式釆集时间序列数据
  • 推送时间序列数据通过 PushGateway 组件支持
  • 通过服务发现或静态配罝发现目标
  • 多种图形模式及仪表盘支持 (grafana)

Prometheus 组成与架构展

在这里插入图片描述

名称说明
Prometheus Server收集指标和存储时间序列数据，并提供查询接口
Push Gateway短期存储指标数据，主要用于临时性任务
Exporters采集已有的三方服务监控指标并暴露 metrics
Alertmanager告警
Web UI简单的 WEB 控制台

集成了数据的采集，处理，存储，展示，告警一系列流程都已经具备了

数据模型

Prometheus 将所有数据存储为时间序列，具有相同度量名称以及标签属于同个指标，也就是说 Prometheus 从数据源拿到数据之后都会存到内置的 TSDB 中，这里存储的就是时间序列数据，它存储的数据会有一个度量名称，譬如你现在监控一个 nginx，首先你要给他起个名字，这个名称也就是度量名，还会有 N 个标签，你可以理解名称为表名，标签为字段，所以，每个时间序列都由度量标准名称和一组键值对 (也称为标签) 唯一标识。
时间序列的格式是这样的，
< metricename > { < labelname >=< labelvalue >,…}
metrice name 指的就是度量标准名称，label name 也就是标签名，这个标签可以有多个，例子
jvm_memory_max_bytes{area="heap",id="Eden Space",}
这个度量名称为 jvm_memory_max_bytes，后面是两个标签，和他们各对应的值，当然你还可以继续指定标签，你指定的标签越多查询的维度就越多。

指标类型

类型名称说明
Counter递增计数器，适合收集接口请求次数
Guage可以任意变化的数值，适用 CPU 使用率
Summary与 Histogram 类型类似

任务和实例展开目录

实例指的就是你可以抓取的目标target，这个会在 Prometheus 配置文件中体现，任务是具有相同目标的实例集合，你可以理解为是一个组(比如，订单服务多台实例机器，可以放入一个任务里，分多个实例target抓取)

Prometheus 部署

借助docker来安装，新建目录docker-monitor，在里面创建文件docker-compose.yml，内容如下：

version: "3"
services:prometheus:image: prom/prometheus:v2.4.3container_name: 'prometheus'volumes:- ./prometheus/:/etc/prometheus/    #映射prometheus的配置文件- /etc/localtime:/etc/localtime:ro  #同步容器与宿主机的时间，这个非常重要，如果时间不一致，会导致prometheus抓不到数据ports:- '9090:9090'

监控web应用性能指标

在docker-monitor目录下新增prometheus目录，在里面创建prometheus配置文件prometheus.yml，内容如下：

global:  #全局配置scrape_interval:   15s  #全局定时任务抓取性能数据间隔scrape_configs:  #抓取性能数据任务配置
- job_name:       'mall-order'  #抓取订单服务性能指标数据任务，一个job下可以配置多个抓紧的targets，比如订单服务多个实例机器scrape_interval: 10s  #每10s抓取一次metrics_path: '/actuator/prometheus'  #抓取的数据urlstatic_configs:- targets: ['192.168.31.60:8844']  #抓取的服务器地址labels:application: 'mall-order-label'  #抓取任务标签#- targets: ['192.168.31.60:8844']  #依次向下加   #  labels:#    application: 'mall-order-label'  #抓取任务标签- job_name: 'prometheus'  #抓取prometheus自身性能指标数据任务scrape_interval: 5sstatic_configs:- targets: ['localhost:9090']

在docker-monitor目录下执行如下命令启动prometheus

docker-compose up -d

在浏览器访问prometheus：http://192.168.31.60:9090，如下图所示：
在这里插入图片描述
点击Status下拉，选中Targets，界面如下：
在这里插入图片描述
这里显示了在prometheus里配置的两个抓取任务，不过 mall-order任务是失败的，state是down，接下来我们需要配置下 mall-order服务才能让prometheus抓取数据。
首先需要在tulingmall-order服务下增加pom依赖，如下：

<!-- 开启springboot的应用监控 -->
<dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-actuator</artifactId>
</dependency>
<!-- 增加prometheus整合 -->
<dependency><groupId>io.micrometer</groupId><artifactId>micrometer-registry-prometheus</artifactId>
</dependency>

还需要在 mall-order服务的配置文件里增加开启springboot admin监控的配置，如下：

management: #开启SpringBoot Admin的监控endpoints:promethus:enable: trueweb:exposure:include: '*'endpoint:health:show-details: always

重启 mall-order服务，刷新prometheus页面，如下所示：
在这里插入图片描述
点击 mall-order下面的prometheus链接：http://192.168.31.60:8844/actuator/prometheus，会打开order服务对外暴露的性能指标数据，如下图：
在这里插入图片描述
拿其中一个指标举例：jvm_threads_states_threads{state=“runnable”,} 13.0，这代表jvm_threads_states_threads这个度量指标，其中state等于runnable的数据有13条
我们点prometheus页面的Graph链接，进入指标查询页面可以查询相关指标，如下：
在这里插入图片描述
将度量指标输入查询框，点击Execute按钮，如下：
在这里插入图片描述
点击Execute按钮下的Graph链接可以查看指标对应的图标，如下：
在这里插入图片描述
以上是prometheus自带的指标查询界面，但是太简陋，一般我们都是使用grafana图形展示工具配合prometheus一起使用

Grafana 部署

先用docker来安装下grafana，在上面的docker-compose.yml文件里加入grafana的安装配置，如下所示：

version: "3"
services:prometheus:image: prom/prometheus:v2.4.3container_name: 'prometheus'volumes:- ./prometheus/:/etc/prometheus/    #映射prometheus的配置文件- /etc/localtime:/etc/localtime:ro  #同步容器与宿主机的时间，这个非常重要，如果时间不一致，会导致prometheus抓不到数据ports:- '9090:9090'grafana:  image: grafana/grafana:5.2.4container_name: 'grafana'ports:  - '3000:3000'volumes: - ./grafana/config/grafana.ini:/etc/grafana/grafana.ini  #grafana报警邮件配置- ./grafana/provisioning/:/etc/grafana/provisioning/  #配置grafana的prometheus数据源- /etc/localtime:/etc/localtime:roenv_file:- ./grafana/config.monitoring  #grafana登录配置depends_on:- prometheus  #grafana需要在prometheus之后启动

在docker-monitor目录下新增grafana目录，在里面创建文件config.monitoring，内容如下：

GF_SECURITY_ADMIN_PASSWORD=password  #grafana管理界面的登录用户密码，用户名是admin
GF_USERS_ALLOW_SIGN_UP=false  #grafana管理界面是否允许注册，默认不允许

在grafana目录下创建目录provisioning，在里面创建datasources目录，在datasources目录里新建文件datasource.yml，内容如下：

# config file version
apiVersion: 1deleteDatasources:  #如果之前存在name为Prometheus，orgId为1的数据源先删除
- name: PrometheusorgId: 1datasources:  #配置Prometheus的数据源
- name: Prometheustype: prometheusaccess: proxyorgId: 1url: http://prometheus:9090  #在相同的docker compose下，可以直接用prometheus服务名直接访问basicAuth: falseisDefault: trueversion: 1editable: true

在grafana目录下创建目录config，在里面创建文件grafana.ini，内容如下：

#################################### SMTP / Emailing ##########################
# 配置邮件服务器
[smtp]
enabled = true
# 发件服务器
host = smtp.qq.com:465
# smtp账号
user = 135*****20@qq.com
# smtp 授权码
password = fyjucfwgwjadgfdj
# 发信邮箱
from_address = 135*****20@qq.com
# 发信人
from_name = yuyang

授权码在qq邮箱设置中获取
在这里插入图片描述

用docker compose启动grafana，访问grafana页面：http://192.168.31.60:3000，用户名为admin，密码为password，如下：
在这里插入图片描述
登录进去首页如下：
在这里插入图片描述
点击左边的加号并import一个我们事先准备好的可视化指标文件web-dashboard.json(文件在本节课的课程资料里，都是些运维的指标，网上可以找现成的)
在这里插入图片描述
导入web-dashboard.json后在页面上选择Prometheus，点击import按钮之后页面显示如下(有可能没有任何数据)：
在这里插入图片描述

写一个监控指标报警示例，比如系统报错5XX达到一定程度就报警发邮件通知：

点击Errors面板选择Edit，进入到Errors指标的详细面板，如下：
在这里插入图片描述
点击下图所示新增报警渠道：
在这里插入图片描述
然后选择邮件报警，也可以选择webhook方式配置一个报警通知的http调用接口，这个可以间接实现所有的通知方式，如下：
在这里插入图片描述
最后点击save按钮保存
进入Errors详细页面，配置alert报警，有如下几个地方需要配置，如图所示：
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
报警邮件如下所示：

在这里插入图片描述

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.rhkb.cn/news/131434.html

如若内容造成侵权/违法违规/事实不符，请联系长河编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

摩洛哥6.9级地震 网络出现轻度中断

摩洛哥6.9级地震 网络出现轻度中断

北京时间2023年9月9日6时11分(当地时间8日23时11分)&#xff0c;摩洛哥发生6.9级强震。埃文科技的监测数据显示&#xff0c;受地震影响&#xff0c;摩洛哥地区的网络也出现了轻度中断。 9月9日6时10分后&#xff0c;摩洛哥地区活跃前缀数量开始减少&#xff0c;在6时50分左右达…
阅读更多...
利用 Python 中的地理空间数据与 GeoPandas

利用 Python 中的地理空间数据与 GeoPandas

推荐&#xff1a;使用 NSDT编辑器快速搭建3D应用场景 空间数据的真正潜力在于它能够连接数据点及其各自的位置&#xff0c;为高级分析创造无限的可能性。地理空间数据科学是数据科学中的一个新兴领域&#xff0c;旨在利用地理空间信息并通过空间算法和机器学习或深度学习等先进…
阅读更多...
算法通关村第十九关：白银挑战-动态规划高频问题

算法通关村第十九关：白银挑战-动态规划高频问题

白银挑战-动态规划高频问题 1. 最少硬币数 LeetCode 322 https://leetcode.cn/problems/coin-change/description/ 思路分析 尝试用回溯来实现 假如coins[2,5,7]&#xff0c;amount27&#xff0c;求解过程中&#xff0c;每个位置都可以从[2,5,7]中选择&#xff0c;因此可以…
阅读更多...
error：Failed building wheel for XXX

error：Failed building wheel for XXX

解决方案适用于大多数的pip 安装时出现的Failed building wheel for XXX 出现问题 按以往快速安装包的经验&#xff0c;第一反应当然是使用简单又快捷的terminal命令加上镜像&#xff0c;如下&#xff1a; pip install torch -i https://pypi.tuna.tsinghua.edu.cn/simple结…
阅读更多...
关闭训练过程中的wandb

关闭训练过程中的wandb

训练的过程中反复提醒wandb的账户&#xff0c;自动化执行的话&#xff0c;不是很方便&#xff0c;因此需要关闭这个wandb的功能 提醒的方式是这样的&#xff1a; 解决办法1、注释掉wandb相关的代码&#xff0c;并且添加关闭命令&#xff1a;wandb None 参考&#xff1a; 训…
阅读更多...
儿童折叠式和非折叠式椅子和凳子加拿大认证标准要求介绍 ASTM F2613-21

儿童折叠式和非折叠式椅子和凳子加拿大认证标准要求介绍 ASTM F2613-21

儿童折叠式和非折叠式椅子和凳子是带有刚性框架的座椅家具&#xff0c;用于支撑儿童的身体&#xff0c;使其可以直立或倾斜的姿势坐立或休息。 此次合规要求更新适用于儿童折叠式和非折叠式椅子和凳子。这类产品可以折叠起来&#xff0c;以便运输或储存。儿童椅是带有刚性框架的…
阅读更多...
05JVM_类加载阶段

05JVM_类加载阶段

一、类加载阶段 1.加载 1.1介绍 ①Java源代码经编译生成字节码文件&#xff0c;通过类加载阶段将字节码载入方法区。 ②类加载阶段内部是C的instanceKlass描述java类&#xff0c;重要的域field有: _java_mirror&#xff0c;java类镜像。例如对String来说&#xff0c;就是St…
阅读更多...
OpenCV(四十):图像分割—漫水填充

OpenCV(四十):图像分割—漫水填充

1.漫水填充原理 图像分割中的漫水填充&#xff08;Flood Fill&#xff09;算法是一种基于区域增长的像素分类方法。其原理是在图像中从种子点开始&#xff0c;逐渐向周围扩展&#xff0c;并根据一定的条件决定是否将相邻的像素归属于同一区域。 漫水填充的基本原理如下&#x…
阅读更多...
通过数据模板自动生成表格table

通过数据模板自动生成表格table

1.数据模板中的主要几个参数需要注意下(需要加样式可自由设置参数)&#xff1a; title:填入表格的内容 col:1,占一列&#xff0c;row: 3&#xff0c;占3行 align:center居中对齐, pdL&#xff1a;14&#xff0c;padding-left:14, bold:true,加粗 width&#xff1a;100&#xff…
阅读更多...
第十五届全国大学生数学竞赛报名快要截止了，你报上名了吗？

第十五届全国大学生数学竞赛报名快要截止了，你报上名了吗？

关于组织参加 第十五届全国大学生数学竞赛的通知 01 为了培养人才、服务教学、提高大学生学习数学的兴趣&#xff0c;培养学生分析问题、解决问题的能力&#xff0c;发现和选拔数学创新人才&#xff0c;为学生提供一个展示基础知识和思维能力的舞台&#xff0c;我校决定组织参…
阅读更多...
02目标检测-传统检测方法

02目标检测-传统检测方法

目录 一、目标学习的检测方法变迁及对比 二、 基于传统手工特征的检测算法的定义 三、传统主要手工特征与算法 Haar特征与 人脸检测算法 - Viola-Jones(了解) HOG特征与 SVM 算法(了解)&#xff08;行人检测、opencv实现&#xff09; SIFT特征与SIFT算法(了解) DPM&#…
阅读更多...
[Java] String详解

[Java] String详解

愿一分耕耘,一份收获 文章目录 前言1. String基础概念2. String对象的比较2.1 与equals()的应用 3. 字符串的转化3.1 数字与字符串的转化3.2 大小写转换3.3 字符串与字符数组转换4. 字符串修改1.引入库2.读入数据 总结 前言 String这部分是面试中常常考到的题.string常量池,Sr…
阅读更多...
java复习-线程的同步和死锁

java复习-线程的同步和死锁

线程的同步和死锁 同步问题引出 当多个线程访问同一资源时&#xff0c;会出现不同步问题。比如当票贩子A&#xff08;线程A&#xff09;已经通过了“判断”&#xff0c;但由于网络延迟&#xff0c;暂未修改票数的间隔时间内&#xff0c;票贩子B&#xff08;线程B&#xff09;…
阅读更多...
带你打穿三层内网-红日靶场七

带你打穿三层内网-红日靶场七

文章目录 前记环境配置web1信息搜集cve-2021-3129redis未授权|ssh密钥后渗透 Win7&#xff08;PC1&#xff09;永恒之蓝 web2docker逃逸 win7&#xff08;PC2&#xff09;|DC 前记 所用工具 msfcsvenomfrp蚁剑冰蝎laravel.pyfscan 注意事项 msf的永恒之蓝每次都需要两次才能…
阅读更多...
Java 代理模式之静态代理与动态代理

Java 代理模式之静态代理与动态代理

1&#xff0c;代理模式 代理模式给某一个对象提供一个代理对象&#xff0c;并由代理对象控制对原对象的引用。通俗的来讲代理模式就是我们生活中常见的中介。 代理模式的目的&#xff1a; &#xff08;1&#xff09;通过引入代理对象的方式来间接访问目标对象&#xff0c;防…
阅读更多...
geopandas 笔记：geometry上的操作汇总

geopandas 笔记：geometry上的操作汇总

如无特殊说明&#xff0c;数据主要来自&#xff1a;GeoDataFrame 应用&#xff1a;公园分布映射至subzone_UQI-LIUWJ的博客-CSDN博客 0 读入数据 subzone gpd.read_file(ura-mp19-subzone-no-sea-pl.geojson) subzone subzone_tstsubzone[0:5] subzone_tst subzone_tst.plot…
阅读更多...
mingw 编译 curl ,Qt 工程使用

mingw 编译 curl ,Qt 工程使用

mingw 编译 curl 下载curl 源码 https://github.com/curl/curl 我使用8.3版 CMake-gui 配置 源码路径&#xff1a;D:/workspace/CPP/curl-8.3.0 生成路径: D:/workspace/CPP/curl-8.3.0/mingw-build 点击 Configure ,弹窗配置&#xff0c;选择 MinGW Makefiles 选择 Spec…
阅读更多...
【Django】日志设置

【Django】日志设置

原文作者&#xff1a;我辈李想 版权声明&#xff1a;文章原创&#xff0c;转载时请务必加上原文超链接、作者信息和本声明。 文章目录 LOGGING {version: 1,disable_existing_loggers: False,formatters: {verbose: {format: "[%(asctime)s] %(levelname)s [%(name)s:%(l…
阅读更多...
探索AIGC人工智能（Midjourney篇）（四）

探索AIGC人工智能（Midjourney篇）（四）

文章目录 Midjourney模特换装 Midjourney制作APP图标 Midjourney网页设计 Midjourney如何生成IP盲盒 Midjourney设计儿童节海报 Midjourney制作商用矢量插画 Midjourney设计徽章 Midjourney图片融合 Midjourney后缀参数 Midjourney模特换装 关键词生成模特照片 中国女性模特的…
阅读更多...
Hadoop的第二个核心组件：MapReduce框架第一节

Hadoop的第二个核心组件：MapReduce框架第一节

Hadoop的第二个核心组件&#xff1a;MapReduce框架第一节 一、基本概念二、MapReduce的分布式计算核心思想三、MapReduce程序在运行过程中三个核心进程四、如何编写MapReduce计算程序&#xff1a;&#xff08;编程步骤&#xff09;1、编写MapTask的计算逻辑2、编写ReduceTask的…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023