大家好，我是君哥。

监控系统在科技公司非常重要，它可以让运维人员和研发人员提前发现问题、定位问题，进而解决问题。

在我们实际工作中，使用的监控往往五花八门，比较混乱，今天来聊一聊怎么规划公司的监控架构。

1.指标采集

监控指标采集为监控提供原始数据，是监控系统的基础。

1.1 系统指标

当我们使用 Prometheus 做监控时，我们可以使用 Node Exporter 收集系统指标进行监控，比如内存、CPU、磁盘、文件描述符等信息。

1.2 数据库/中间件

数据库和中间件故障对业务影响会非常大，极端情况下可能让业务停摆。因此必须有配套的数据库中间件监控。

对于数据库和中间件，采集数据库所在机器的系统信息如内存、CPU、磁盘是必须的。

对于数据库，也需要采集 SQL 执行时长、数据库日志等作为监控指标。

对于中间件，可以采集吞吐量、平均响应时长，以及中间件自己的一些指标。比如 kafka 的 ISRShrink/ISRExpand。

JVM 相关指标，比如堆内存、FULL GC 频率和时长、线程使用情况。

1.3 业务指标

业务系统的监控指标因为业务的复杂性，会非常复杂和庞大。

接口请求数量、平均响应时间、成功率。这部分指标可以使用网络抓包来获取。

业务整体运行情况，这部分指标有两种方式，一个是通过采集业务日志来获取，第二个业务代码主动推送执行，比如把运行情况抽象成指标保存数据库，或者通过消息队列发送给采集系统。

2.指标保存

收集到监控指标后，要想把这些指标展示给运维人员，就需要先把指标保存下来。Prometheus 将监控数据保存在 TSDB，一些公司选择引入外部时序数据库，比如 VictoriaMetrics 这款时序数据库就被很多公司采纳。

有些指标采集的量比较小，也可以采用关系数据库做存储，对研发运维人员来说学习成本比较低。

小公司一般使用开源的工具就可以满足指标保存的需求。在大公司，业务类型广泛，指标数据量较大，需要规划指标保存方案，引入多种保存方式。

3.指标加工

对于仅仅监控一些特定指标的情况下，只要采集到数据，正常展示出来，就可以实现监控目标。但这只能用于较简单的监控指标，比如一个接口的请求次数。

从宏观角度看，业务侧更关注的是总体数据，比如昨天交易成功的业务数量，失败的业务数量。他们只会花时间看监控大盘。这个时候就需要进行一些数据加工、汇总。

因此，指标加工也是非常重要的。这个工作也可以交给公司的大数据团队来承接。

4.指标展示

完成指标采集和加工后，怎样清晰优雅地展示给用户，是监控设计中的一个重要环节。

知名的监控工具比如 Prometheus、Zabbix 都有成熟的可视化界面，可以清晰地展示给用户。但要满足更复杂、更高要求的监控场景，这些工具很难满足需求。

这时候就需要技术团队自己开发指标可视化工具，这里不仅包括监控大盘，还包括给不同人员看的监控页面，比如给业务看的，给运维看的，给研发看的。

5.监控告警

有了指标采集、加工和展示，其实只完成了监控系统的准备工作，监控告警是我们规划监控系统的重要目标。

监控告警的目标是让相关人员能够提前感知到问题，及时采取措施，防止问题扩大。

为了节省系统资源，监控告警也是需要分级别的，根据问题严重程度、业务影响范围来规划告警级别。这就要求业务系统在需求阶段就要明确业务的重要性，辅助确定监控级别。

比如涉及金钱的交易系统、支付系统、账务系统，对于公司来说非常重要，可以把他们定义成严重级别，监控到问题后，通过短信、OA 消息通知到值班运维人员，这样值班运维人员可以根据问题情况及时通知到相关研发人员，即使问题发生在半夜也能很快地采取措施。

对于影响较小的业务系统、批量交易，可以定义成主要级别，发生问题后，短信或 OA 实时通知到系统负责人就可以。

对于没有业务影响的交易，可以定义成次要级别，问题发生后，只需要邮件通知到开发人员，而且不用实时通知，每天集中一次或者几次就可以。

6.应急方案

应急方案需要提前进行设计、演练，这样可以防患于未然。假如一个严重级别的告警半夜 2 点触发了，研发人员睡梦中被叫醒，如果没有应急方案，势必会非常慌乱。

应急方案可以根据系统的实际情况进行设计，比如重启服务、接口限流、熔断、集群扩容、故障节点摘除等。

7.总结

监控系统对于科技公司来说，非常重要。我们可以从指标采集、指标保存、指标加工、指标展示、监控告警、应急方案这些方面来进行设计。希望本文对你设计监控架构有所帮助。