总结:Grafana Mimir调研

一、背景

Prometheus单实例,可用性低,可靠性低,不能存储更多数据。

  • 解决业务问题
    • 如:当前QKE是一个集群+一个项目一个prometheus实例,那么当我一个应用分多个集群部署的时候,查询数据时就得从三个prometheus去查,然后聚合,比较麻烦。用mimir就不存在这个问题

Prometheus 集群方案之 Remote Read 实战_Go中国的博客-CSDN博客

  • 有些业务无法拆分,数据量还是特别大。

  • 数据收集和查询做的事情是完全独立的,但两者时常相互竞争占用资源。

二、Grafana Mimir 核心优势

1、易维护性

Grafana Mimir 的核心优势之一便是易于“安装和维护”。该项目的大量文档、教程和部署工具使其入门起来既快速又简单。Grafana Mimir 的整体模式允许只使用一个二进制文件,不需要额外的依赖项。此外,与 Grafana Mimir 一起打包的最佳实践仪表板、警报和运行手册可以轻松监控系统的健康状况并保持其平稳运行。

2、可扩展性

同时,Grafana Mimir 的水平可扩展架构使其能够处理大量时间序列数据。内部测试表明,该系统可以处理多达 10 亿个活动时间序列,从而实现大规模的可扩展性。这意味着 Grafana Mimir 可以跨多台机器运行,从而能够处理比单个 Prometheus 实例多几个数量级的时间序列。

3、全局视图

除此之外,Grafana Mimir 的另一个关键优势是它能够提供全局的指标视图。该系统使用户能够运行聚合来自多个 Prometheus 实例的系列的查询,从而提供所有系统的全面视图。查询引擎还广泛并行化查询执行,即使是最高基数的查询也能以极快的速度执行。

4、数据持久性

Grafana Mimir 使用对象存储来进行长期数据存储,利用了这种无处不在的、高性价比、高耐久性的技术。该系统与多个对象存储实现兼容,包括 AWS S3、谷歌云存储、Azure Blob 存储、OpenStack Swift 以及任何与 S3 兼容的对象存储。这为用户提供了一种廉价、耐用的方式来存储用于长期分析的指标。

5、通过复制实现高可用性

高可用性是 Grafana Mimir 的另一个关键特性。系统复制传入的指标,确保在机器发生故障时不会丢失任何数据。其水平可扩展架构还意味着它可以在零停机的情况下重启、升级或降级,确保指标摄取或查询不会中断。

6、原生多租户‍‍

最后,Grafana Mimir 的原生多租户允许独立团队或业务部门的数据和查询隔离,使这些组可以共享同一个集群。高级限制和服务质量控制确保容量在租户之间公平共享,使其成为拥有多个团队和部门的大型组织的绝佳选择。

二、Prometheus为什么是单实例?

Prometheus一直强调,只做核心功能。

另外,Prometheus 结合 Go 语言的特性和优势,使得 Prometheus 能够以更小的代价抓取并存储更多数据,而 Elasticsearch 或 Cassandra 等 Java 实现的大数据项目处理同样的数据量会消耗更多的资源。也就是说,单实例、不可扩展的 Prometheus 已强大到可以满足大部分用户的需求

看下:
1.grafana查mimir这个promerheus数据源,看下配置的查询地址是什么,我想知道是不是查的query组件,端口是什么。另外可以f12看看是否有调用请求  
*   数据持久化到硬盘的方案里,VictoriaMetrics 是更好的选择
*   数据持久化到对象存储的方案中,Thanos 更受欢迎,Grafana Mimir 更有潜力。

对象存储与本地盘存储

Mimir需要etcd吗?

三、Grafana Mimir 分布式架构‍

Grafana Mimir 的分布式架构可参考如下示意图:

从上图可以看出 Mimir 有 7 个不同的组件,给人的第一印象是一个复杂的系统。值得庆幸的是,helm chart 使事情变得更容易,而且还有根据有效负载提供了资源分配建议。

针对架构中的不同组件功能解析,可以参考如下文件以及源码进行探究,具体如下:

serviceMonitor:enabled: true# disabled, external ruler is used
ruler:enabled: false# disabled, external alertmanager is used
alertmanager:enabled: false# disabled, blocks_storage is used
minio:enabled: falsecompactor:nodeSelector:app: mimirtolerations:- key: appvalue: compactoroperator: Equaleffect: NoSchedulepersistentVolume:storageClass: standard-rwosize: 50Giresources:limits:cpu: 1200mmemory: 2Girequests:cpu: 1200mmemory: 2Gidistributor:extraArgs:distributor.ingestion-rate-limit: "10000000000000"replicas: 5nodeSelector:app: mimirtolerations:- key: appvalue: distributoroperator: Equaleffect: NoScheduleresources:limits:memory: 4Gicpu: 2requests:memory: 4Gicpu: 2ingester:extraArgs:ingester.max-global-series-per-user: "0"ingester.max-global-series-per-metric: "0"nodeSelector:app: mimirtolerations:- key: appvalue: ingesteroperator: Equaleffect: NoSchedulepersistentVolume:size: 150GistorageClass: standard-rworeplicas: 5resources:limits:memory: 25Gicpu: 4requests:memory: 25Gicpu: 4chunks-cache:nodeSelector:app: mimirenabled: truereplicas: 2index-cache:nodeSelector:app: mimirenabled: truereplicas: 3metadata-cache:nodeSelector:app: mimirenabled: trueresults-cache:nodeSelector:app: mimirenabled: trueoverrides_exporter:nodeSelector:app: mimirreplicas: 1resources:limits:memory: 256Mirequests:cpu: 100mmemory: 128Miquerier:extraArgs:querier.max-fetched-chunks-per-query: "8000000"replicas: 4nodeSelector:app: mimirtolerations:- key: appoperator: Equalvalue: queriereffect: NoScheduleresources:limits:memory: 24Gicpu: 2requests:memory: 24Gicpu: 2query_frontend:replicas: 1nodeSelector:app: mimirtolerations:- key: appoperator: Equalvalue: query-frontendeffect: NoScheduleresources:limits:memory: 6Gicpu: 2requests:memory: 6Gicpu: 2store_gateway:persistentVolume:size: 50Gireplicas: 1nodeSelector:app: mimirtolerations:- key: appoperator: Equalvalue: store-gatewayeffect: NoScheduleresources:limits:cpu: 1memory: 6Girequests:cpu: 1memory: 6Gimimir:structuredConfig:limits:out_of_order_time_window: 1hblocks_storage:backend: gcsgcs:bucket_name: <bucket_name>service_account: |{<secret>}
metaMonitoring:serviceMonitor:enabled: true

再来一张:

这张更能直观的看出来memberlist的作用:


四、数据抓取的高可靠:HATracker

参考:Mimir 速体验 (Part 4):数据抓取的高可靠:Mimir 速体验 (Part 4):数据抓取的高可靠_Grafana_Grafana 爱好者_InfoQ写作社区

在 Prometheus 生态中,不仅要实现数据存储的高可靠,还要实现数据抓取(Agent/Collector)的高可靠,通常大家也是采用相似的策略,即针对相同配置起多个 Prometheus 实例,然后再将每个实例抓取的结果通过 remote write 推送到同一存储后端。

这样做虽然带来了抓取的高可靠,但如果数据不去重(在一个抓取周期内,distributor 只需转发一个 Prometheus 抓取的数据),每个 Prometheus 示例抓取的指标最终都要转发给 ingester,这会导致 ingester 数据写入量和 compactor block 压缩量翻倍,这将带来资源的浪费。

那该如何去重呢?在 Mimir/Cortex 中主要使用到 distributor 的 HATracker 功能。

HATracker 的基本逻辑:

大致流程如下:

  • 启动两个 Prometheus Agent 针对同一 APP 进行指标抓取。

  • 两个 Prometheus Agent 通过 global external_labels 注入 {cluster: team1, replica: replica1/replica2} 的复制组标示,所有的指标都会带上该信息。

  • Mimir 开启 HATracker 功能后,distributor 会根据指标的 cluster,replica 分组情况进行 Prometheus Agent 选主,假如这里选择了 replica1 ,并将结果写到 KV (目前只支持 consul 和 etcd)中。

  • 以后 distributor 所有节点接收到 Agent 转发的数据,会判断是否来自 replica1, 如果是进行转发(转发数据会删除 replica 标签),如果不是则丢弃。

当 replica1 agent 故障后,超过 HATracker 配置的 ha_tracker_failover_timeout 时间,将触发 agent 重新选主,即变为 replica2,并存储到 KV 中,以后所有 replica2 agent 的数据会被转发,而待 replica1 恢复后,它上报的数据也只会被丢弃。

 可以看到,有了 HATracker ,同一 cluster 的数据,在 distributor 实现了去重,从而只有一个 agent 的数据写到了 ingester。

如何配置

修改 prometheus.yaml,添加 external_labels,内容如下:

global:  external_labels:    cluster: team1    __replica__: replica1
global:  external_labels:    cluster: team1    __replica__: replica2

注: 我们可以只使用 Prometheus Agent 模式启动实例,而且可以通过环境变量方式注入 replica 信息。

修改 mimir/cortex distributor 配置,开启 ha_tracker,并配置对应 kvstore。

limits:  accept_ha_samples: true
distributor:  ha_tracker:    enable_ha_tracker: true    kvstore:      store: consul      consul:        host: consul:8500

总结

在实现 Prometheus 高可用方案的时候,不仅要考虑数据存储的可靠性,也要考虑数据抓取的高可靠,Mimir/Cortex 的 HATracker 功能,可以实现多副本 Agent 抓取数据的去重,避免数据写入与数据压缩的翻倍,大大节省了资源。

四、规划 Grafana Mimir 容量

1、估算所需的 CPU 和内存:

Distributor

  • CPU:每 25000 个样本每秒 1核。
  • 内存:每秒 25000 个样本 1GB。

Ingester

  • CPU:内存中每30万个series  1核
  • 内存:内存中每30万个series  2.5GB
  • 磁盘空间:内存中每30万series  5GB

Query-frontend

  • CPU:每秒每 250 个查询需要  1核
  • 内存:每秒每 250 个查询需要  1GB

Querier

  • CPU:每秒每 10 个查询 1核
  • 内存:每秒每 10 个查询需要 1核

Store-gateway

  • CPU:每秒每 10 个查询 1 个核心
  • 内存:每秒每 10 个查询 1GB
  • 磁盘:每 100 万个活动系列 13GB

八、性能测试

1、性能与资源要求

到底谁强?Grafana Mimir 和 VictoriaMetrics 之间的性能测试

根据 Grafana 实验室的测试,Mimir 可以扩展到 10 亿个活跃时间序列和 5000 万个样本/秒的摄取率,该基准测试要求运行一个具有 7000 个 CPU 核心和 30TiB 内存的集群,这已经是我听说的最大、最昂贵的时间序列数据库的公共基准测试了。要重现这样规模的基准测试并不那么容易,幸运的是,在大多数情况下,用户的工作负荷要求要低得多,比较容易模拟。

大型工作负载的建议要求大约 140 个 CPU 和 800GB 内存,用于 1000 万个活跃时间序列。

但对于一个简单的基准测试,显然这要求太高了,所以我从针对 100 万个活跃时间序列的小型工作负载的推荐配置开始,资源要求约为 30 个 CPU 和 200GB 内存。

2、

VictoriaMetrics 平均消耗的 CPU 比 Mimir 少 1.7 倍。

与 Mimir 相比,VictoriaMetrics 使用的内存少了大约 5 倍

九、Prometheus将时间序列数据写到Mimir

1、

十、测试环境部署:虚机

1、测试环境部署:虚机

文档:Play with Grafana Mimir | Grafana Labs

1、python升级到3.x,因为docker-compose有版本要求

2、安装docker-compose

  • 删除旧版docker-compose:sudo rm /usr/local/bin/docker-compose
  • 安装docker-compose:sudo curl -L "https://github.com/docker/compose/releases/download/1.29.2/docker-compose-$(uname -s)-$(uname -m)" -o /usr/local/bin/docker-compose
  • 将docker-compose文件的权限更改为可执行:sudo chmod +x /usr/local/bin/docker-compose
  • 重新启动终端
  • 再次运行docker-compose version命令

3、部署mimir

执行如下命令:

git clone https://github.com/grafana/mimir.git
cd mimir
cd docs/sources/mimir/tutorials/play-with-grafana-mimir/
docker-compose up -d

docker-compose down && docker-compose up -d

执行命令后会部署几个服务:
  • Grafana Mimir
    • 单体模式 Mimir 的三个实例以提供高可用性,同时,启用多租户(租户 ID 为 Demo)。
  • Minio
    • 用于块、规则和警报的 S3 兼容持久存储。
  • Prometheus
    • 抓取 Grafana Mimir 指标,然后将它们写回 Grafana Mimir 以确保摄取指标的可用性。
  • Grafana
    • 包括一个预安装的数据源来查询 Grafana Mimir 以及用于监控 Grafana Mimir 的预装仪表板。
  • Load balancer
    • 一个简单的基于 NGINX 的负载均衡器,在主机上暴露 Grafana Mimir 端点。

访问服务:

  • Grafana on http://localhost:9000
  • Grafana Mimir on http://localhost:9009
 

2、部署模式

部署模式分为单体模式微服务模式

  • 单体模式在单个进程中运行所有必需的组件,并且是默认操作模式,您可以通过指定-target=all
    • 目前我在虚机上基于单体模式部署的,即mimir进程
  • 微服务模式
  • 读写模式
    • 综合了单体模式和微服务模式,将组件按照职能进行了归类,读职能的放到一个进程里,写职能的放到写的进程里

十一、租户管理

我们都知道 Mimir 的多租户属于软隔离,即同一时间不同租户的数据会共享集群的硬件资源,而一个 Mimir 集群其写入/查询吞吐量能力往往也是有限的。

所以我们需要针对不同数据库(租户数据)做细粒度管理,其目的主要有两个:

  • 限流:针对不同数据库配置不同的写入/查询 QPS 限制,避免不同数据库之间资源竞争带来的影响。

  • 功能性配置:主要包括数据库分片大小、数据存储最大保留时间、乱序数据写入时间范围等,这些配置不仅影响数据库的功能和性能,还能有效降低数据存储成本。

在 Mimir/Cortex 中,默认一份数据从 distributor 会写 3 份到不同 ingester 节点,这样做的目的是想通过多副本复制的方式实现数据存储的高可靠。

HATracker ,同一 cluster 的数据,在 distributor 实现了去重,从而只有一个 agent 的数据写到了 ingester。

通过 runtime 配置实现租户细粒度管理:https://xie.infoq.cn/article/bd811ca1741a790b5dd5dd766

十二、告警规则可视化编辑:mimir

十三、组件介绍

1、介绍

Mimir可选组件: alertmanager,ruler,overrides-exporter,query-scheduler

Mimir必选组件:compactor,distributor,ingester,querier,query-frontend,store-gateway

各个组件的作用详细介绍参考:
使用 Grafana Mimir 实现云原生监控报警可视化
https://mp.weixin.qq.com/s?__biz=MzAxODcyNjEzNQ==&mid=2247570788&idx=3&sn=464f12dca1150cb5ce9190246a021b93&chksm=9bd278fcaca5f1eab4247d7875557932eb0b390aae3aa0a7bfc60627d4f6a6c1e5e88a718b17&scene=27#wechat_redirect

2、缓存组件介绍

grafana mimir生产环境部署的时候会部署chunks-cache,index-cache,metadata-cache,results-cache等缓存相关的组件,这些组件作用如下:

1. chunks-cache:用于缓存数据块,数据块是时间序列数据的分段存储单元。通过缓存数据块,系统可以在处理高频查询时减少对后端存储系统的访问,提高查询性能并减少延迟。

  • 这个缓存组件用于存储实际的时间序列数据块(chunks)。它会与查询引擎(query engine)和存储层(storage layer)交互。当用户请求某个时间范围内的数据时,query engine 会首先查询 chunks-cache。如果数据块在缓存中,则直接返回;如果未命中缓存,则从存储层获取数据,并将获取到的数据块添加到 chunks-cache 中,以便下次访问时直接从缓存获取。

2. index-cache:用于缓存时间序列数据的索引信息,如度量标签、度量名称等。索引缓存有助于快速查找相关系列,并在不查询整个数据集的情况下缩小查询范围。

  • 这个缓存组件用于存储时间序列数据的索引信息。这些索引信息有助于在获取数据时减少数据扫描范围。index-cache 通常与 query engine 和存储层进行交互。在进行数据查询时,query engine 需要使用这些索引信息来找到实际的数据位置。它首先会查询 index-cache;如果索引在缓存中,则从存储层获取相应的数据;如果未命中缓存,则从存储层获取索引信息,并将获取到的索引信息添加到 index-cache 以便下次访问时从缓存中获取。

3. metadata-cache:用于缓存度量和标签的元数据。元数据缓存可以加速探索查询,例如列出所有可用度量或按标签筛选度量,从而提高仪表盘加载速度和响应性。

  • 这个缓存组件负责存储元数据(metrics 和 tags)。同样地,它会与查询引擎和存储层进行交互。当用户查询包含标签过滤器的数据时,query engine 需要了解有关度量及其标签的详细信息来完成查询。这时,它会首先查询 metadata-cache;如果元数据在缓存中,则直接返回;如果未命中缓存,则从存储层获取元数据,并将获取到的元数据添加到 metadata-cache,以便下次访问时从缓存中获取。

4. results-cache:用于缓存查询结果。通过缓存以前查询的结果,可以在后续访问时快速返回相同的数据,降低系统负载并减少查询时间。

这些缓存组件在生产环境中部署有助于提高系统的性能和可扩展性。请注意,根据您的使用场景和底层存储系统,可能需要对这些缓存组件进行调优以获得最佳性能。

十四、distributor(数据分发器)

分发服务器是一个无状态组件,从 Prometheus 或 Grafana 代理接收时间序列数据。分发服务器验证数据的正确性,并确保数据在给定租户的配置限制内。然后,分发服务器将数据分为多个批次,并将其并行发送给多个接收程序,在接收程序之间切分序列,并通过配置的复制因子复制每个序列。默认情况下,配置的复制因子为 3。

工作原理
验证
分发服务器在将数据写入 ingester 之前验证其接收的数据。因为单个请求可以包含有效和无效的度量、样本、元数据和样本,所以分发服务器只将有效数据传递给 ingester。分发服务器在其对接收程序的请求中不包含无效数据。如果请求包含无效数据,分发服务器将返回 400  HTTP 状态代码,详细信息将显示在响应正文中。关于第一个无效数据的详细信息无论是普罗米修斯还是格拉夫纳代理通常由发送方记录。分发器验证包括以下检查:
* 度量元数据和标签符合普罗米修斯公开格式。
* 度量元数据(名称、帮助和单位)的长度不超过通过 validation.max-metadata-length 定义的长度
* 每个度量的标签数不高于-validation.max-label-names-per-series
* 每个度量标签名称不得长于-validation.max-length-label-name
* 每个公制标签值不长于-validation.max-length-label-value
* 每个样本时间戳都不晚于-validation.create-grace-period
* 每个示例都有一个时间戳和至少一个非空标签名称和值对。
* 每个样本不超过 128 个标签。
速率限制
分发器包括适用于每个租户的两种不同类型的费率限制。
* 请求速率
每个租户每秒可以跨 Grafana Mimir 集群处理的最大请求数。

* 接受速率
每个租户在 Grafana Mimir 集群中每秒可接收的最大样本数。如果超过其中任何一个速率,分发服务器将丢弃请求并返回 HTTP 429 响应代码。
在内部,这些限制是使用每个分发器的本地速率限制器实现的。每个分发服务器的本地速率限制器都配置了 limit/N,其中 N 是正常分发服务器副本的数量。如果分发服务器副本的数量发生变化,分发服务器会自动调整请求和接收速率限制。因为这些速率限制是使用每个分发服务器的本地速率限制器实现的,所以它们要求写入请求在分发服务器池中均匀分布。可以通过下面的这几个参数进行限制:
-distributor.request-rate-limit
-distributor.request-burst-size
-distributor.ingestion-rate-limit
-distributor.ingestion-burst-size


高可用跟踪器
远程写发送器(如 Prometheus)可以成对配置,这意味着即使其中一个远程写发送机停机进行维护或由于故障而不可用,度量也会继续被擦除并写入 Grafana Mimir。我们将此配置称为高可用性(HA)对。分发服务器包括一个 HA 跟踪器。启用 HA 跟踪器后,分发服务器会对来自 Prometheus  HA 对的传入序列进行重复数据消除。这使您能够拥有同一 Prometheus 服务器的多个 HA 副本,将同一系列写入 Mimir,然后在 Mimir 分发服务器中对该系列进行重复数据消除。


切分和复制
分发服务器在 ingester 之间切分和复制传入序列。您可以通过-ingester.ring.replication-factor 配置每个系列写入的摄取器副本的数量。复制因子默认为 3。分发者使用一致哈希和可配置的复制因子来确定哪些接收者接收给定序列。切分和复制使用 ingester 的哈希环。对于每个传入的序列,分发服务器使用度量名称、标签和租户 ID 计算哈希。计算的哈希称为令牌。分发服务器在哈希环中查找令牌,以确定向哪个接收程序写入序列。

十五、ingester(数据接收器)

接收程序是一个有状态组件,它将传入序列写入长期存储的写路径,并返回读取路径上查询的序列样本。

工作原理

来自分发服务器的传入序列不会立即写入长期存储,而是保存在接收服务器内存中或卸载到接收服务器磁盘。最终,所有系列都会写入磁盘,并定期(默认情况下每两小时)上传到长期存储。因此,查询器可能需要在读取路径上执行查询时,从接收器和长期存储中获取样本。任何调用接收器的 Mimir 组件都首先查找哈希环中注册的接收器,以确定哪些接收器可用。每个接收器可能处于以下状态之一:
pending
joining
active
leaving
unhealthy

写放大
Ingers 将最近收到的样本存储在内存中,以便执行写放大。如果接收器立即将收到的样本写入长期存储,由于长期存储的高压,系统将很难缩放。由于这个原因,接收器在内存中对样本进行批处理和压缩,并定期将它们上传到长期存储。写反放大是 Mimir 低总体拥有成本(TCO)的主要来源。
接收失败和数据丢失
如果接收程序进程崩溃或突然退出,则所有尚未上载到长期存储的内存中序列都可能丢失。有以下方法可以缓解这种故障模式:
* Replication
* Write-ahead log (WAL)
* Write-behind log (WBL), out-of-order 启用时

区域感知复制

区域感知复制可确保给定时间序列的接收副本跨不同的区域进行划分。分区可以表示逻辑或物理故障域,例如,不同的数据中心。跨多个区域划分副本可防止在整个区域发生停机时发生数据丢失和服务中断。

十六、querier(数据查询器)

1、介绍

查询器是一个无状态组件,它通过在读取路径上获取时间序列和标签来评估 PromQL 表达式,使用存储网关组件查询长期存储,使用接收组件查询最近写入的数据。
工作原理

为了在查询时查找正确的块,查询器需要一个关于长期存储中存储桶的最新视图。查询器只需要来自 bucket 的元数据信息的,元数据包括块内样本的最小和最大时间戳。查询器执行以下操作之一,以确保更新 bucket 视图:
定期下载 bucket 索引(默认)
定期扫描 bucket

2、案例

地址:http://10.41.26.131:9009/prometheus/api/v1/query?query=up

3、查询分片

mimir支持查询分片,如下为原理图


十七、query-frontend(查询前端)

查询前端是一个无状态组件,它提供与查询器相同的 API,并可用于加快读取路径。尽管查询前端不是必需的,但我们建议您部署它。部署查询前端时,应该向查询前端而不是查询器发出查询请求。集群中需要查询器来执行查询,在内部队列中保存查询。在这种情况下,查询器充当从队列中提取作业、执行作业并将结果返回到查询前端进行聚合的工作者。要将查询器与查询前端连接,通过-querier.frontend-address 配置,在使用高可用情况下建议部署至少 2 个查询前端。


拆分

查询前端可以将远程查询拆分为多个查询。默认情况下,分割间隔为 24 小时。查询前端在下游查询器中并行执行这些查询,并将结果组合在一起。拆分可防止大型多天或多月查询导致查询器内存不足错误,并加快查询执行速度。

store-gateway(数据存储网关)
存储网关组件是有状态的,它查询来自长期存储的块。在读取路径上,querier 和 ruler 在处理查询时使用存储网关,无论查询来自用户还是来自正在评估的规则。为了在查询时找到要查找的正确块,存储网关需要一个关于长期存储中存储桶的最新视图。

十八、Alertmanager

Mimir Alertmanager 为 Prometheus Alertmanagers 添加了多租户支持和水平伸缩性。Mimir  Alertmanager 是一个可选组件,它接受来自 Mimir ruler组件的警报通知。Alertmanager 对警报通知进行重复数据消除和分组,并将其路由到通知通道,如电子邮件、PagerDuty 或 OpsGenie。

在grafana上配置告警规则

  • 文档:Play with Grafana Mimir | Grafana Labs
  • 案例:http://10.41.26.131:9000/alerting/new?returnTo=%2Falerting%2Flist%3Fview%3Dlist

Alertmanager 数据存储位置指定:

界面配置告警规则:

十九、query-scheduler

查询调度程序是一个可选的无状态组件,它保留要执行的查询队列,并将工作负载分配给可用的查询器

二十、Override-exporter

Mimir 支持按租户应用配置资源使用限制,以防止单个租户使用过多资源。

Override-exporter组件将这些限制信息公开为prometheus的指标,以便运营商了解租户资源使用量与配置的限制的接近程度。

比如后续可以配置使用率指标,这样的话,对于快接近使用率的可以及时给用户发通知,让用户及时处理。

二十一、store-gateway

store-gateway组件也需要存储数据。

很好奇,为什么store-gateway也需要存储数据呢?看了下结构,和ingester的不太一样,如下所示:

index-header作用是将每个block的索引信息存储在本地,方便快速查询。

具体看文档:Grafana Mimir binary index-header | Grafana Mimir documentation

解释:To query series inside blocks from object storage, the store-gateway must obtain information about each block index. To obtain the required information, the store-gateway builds an index-header for each block and stores it on local disk。

从mimir的架构图上也能看出来, store-gateway组件确实和index-cache进行了交互,估计是本地和index-cache都存储了一份。

顺便再看看其他组件的存储都是存储了啥:

compactor组件:

 选一个进去看看:

compactor目录记录的应该是索引信息(感觉是从对象存储S3查询的时候需要用到,注意,compactor不会从ingester查询数据,只会和OSS交互)、chunks不知道为啥要有,后续待看源码考证

 其他文件夹看起来都是针对租户的,选一个进去看看:

看存储结构,是记录了每个租户有哪些block,每个block的meta信息(存储的时间时间范围,预计每次压缩其实都是指定要压缩哪些时间范围的,待看源码考证)

 

再看看AlertManager:

记录插件信息,其它目录不知道干啥用的,有待考证

二十二、bucket index

Grafana Mimir bucket index | Grafana Mimir documentation

bucket索引是一个按租户分别存储的文件,其中包含存储中的块和块删除标记的列表。

bucket索引存储在后端对象存储中,由compactor组件定期更新,并由store-gateway使用。

二十一、配置修改

指定配置文件:
/usr/local/mimir/mimir-darwin-amd64 --config.file /usr/local/mimir/mimir.yaml


Mimir alertmanager:
$ mimirtool alertmanager load ./alertmanager.yaml --address http://127.0.0.1:8080 --id annoymous

下面这就是报警规则前端,可以界面方式创建告警规则:
思考下,查询也是用grafana吧?


多租户配置:
更改配置文件中 multitenancy_enabled: true
上传 alertmanager 配置文件 (instance_id 一般为配置的 node 名称 , 可以自定义)

mimirtool作用?研究下
$ mimirtool alertmanager load ./alertmanager.yaml --address http://127.0.0.1:8080 --id instance_id


找一些微信或qq交流群

对opentelemetry支持主要是对oltp协议支持,即一般是用户程序使用了opentelemetry的SDK采集数据后不用非得上报到opentelemetry collector,也可以直接上报到mimir,这样用户就不用搭建多种收集服务了。
Mimir 原生支持 Oltp 协议后,我们可以使用 OpenTelemetry SDK 统一导出为 OLTP,后面无论推送到 Mimir ,还是经过 collector 进行 OTLP 的转发,应用侧始终只有一种数据格式

配置下target试试,然后看下配置的效果

通过 Mimir 我们非常方便实现 Prometheus 规则评估和告警管理的高可用,它不仅提供了开箱即用的 mimir-tool 实现日常运维管理,还打通了 Grafana 看板,方便租户通过 Grafana 看板进行自定义配置,这样一来 Grafana  看板完全成为一个无状态服务,其规则和告警管理配置数据持续化和一致性由 Mimir 来保障。
 

三十、prometheus remote-read原理

remote-read可以让prometheus读取远程存储上的时序数据,扩展了本地存储。

prometheus在应对/query查询请求时,由fanoutStorage处理;

  • fanoutStorage包含localStorage(本地TSDB)和remoteStorage(远程存储),它们均实现了查询接口;
  • localStorage执行本地查询;
  • remoteStorage通过HTTP执行远程查询;
  • 将上述2个查询结果进行合并,返回给client;

下面是在prometheus上配置的remote_write和remote_read.

remote_write:到mimir

remote_read:从mimir读取

三十一、哈希环

1、介绍

在Grafana Mimir中,哈希环主要用于分片和复制操作。它的功能是在组件的多个副本间以一致性的方式共享工作,以便其他组件确定要与其通信的地址。

哈希环这样工作:首先对要共享的工作负载或数据进行哈希处理,然后根据哈希结果确定拥有该数据的环成员。

Grafana Mimir使用fnv32a哈希函数,该函数返回32位无符号整数,其值位于0和(2^32)-1之间。该值被称为令牌(token),用作数据的ID,并确定了在哈希环上的位置。这样就允许独立地确定哪个Grafana Mimir实例是特定数据的权威拥有者。

例如,序列被分片到多个ingester组件中。通过哈希序列的所有标签和租户ID来计算给定序列的令牌。拥有该系列的ingester实例是拥有包括该系列令牌在内的令牌范围的实例。

要在集群内的可用实例之间划分可能的令牌(2^32)集合,所有运行中的指定Grafana Mimir组件(如ingesters)都加入一个哈希环。哈希环是一种数据结构,将令牌空间分成多个范围,并将每个范围分配给一个给定的Grafana Mimir环成员。

在启动时,实例会生成随机的令牌值,并将其注册到环中。每个实例注册的值决定了哪个实例拥有给定的令牌。令牌的所有者是注册的值大于查找的令牌且值最小的实例(在达到(2^32)-1时回绕至零)。

为了在多个实例间复制数据,Grafana Mimir从数据的权威拥有者开始,顺时针遍历环来查找副本。在遍历环过程中找到的下一个实例将接收复制的数据。

2、Components that use a hash ring

There are several Grafana Mimir components that need a hash ring. Each of the following components builds an independent hash ring:

  • Ingesters shard and replicate series.
  • Distributors enforce rate limits.
  • Compactors shard compaction workload.
  • Store-gateways shard blocks to query from long-term storage.
  • (Optional) Rulers shard rule groups to evaluate.
  • (Optional) Alertmanagers shard tenants.

3、随机分片(Shuffle Sharding)

4、使用哈希环构建的功能

Grafana Mimir 主要使用哈希环进行分片和复制。使用哈希环构建的功能:

  • 服务发现:实例可以发现彼此,查找谁在环中注册。
  • 心跳:实例定期向环发送心跳以表示它们已启动并正在运行。如果一个实例在一段时间内没有检测到心跳,则该实例被认为是不健康的。
  • 区域感知复制:区域感知复制是跨故障域的数据复制,可以选择在 Grafana Mimir 中启用。有关详细信息,请参阅配置区域感知复制。
  • 随机分片:Grafana Mimir 可选地支持多租户集群中的随机分片,以减少中断的爆炸半径并更好地隔离租户。有关更多信息,请参阅配置 shuffle 分片。

三十二、一些概念

samples:是指一个数据点,即某个metric+tag在某个时刻的值。

series:是指metric+tag,即hubble中counter的概念

active series:活跃指标,即一直在投递的。

参考文档:

 使用 Grafana Mimir 实现云原生监控报警可视化:使用 Grafana Mimir 实现云原生监控报警可视化


Prometheus 长期存储主流方案对比:https://kubesphere.io/zh/blogs/prometheus-storage/


Mimir 速体验 (Part 3): 通过 runtime 配置实现租户细粒度管理:https://xie.infoq.cn/article/bd811ca1741a790b5dd5dd766


Mimir 速体验 (Part 2): 使用 Grafana agent 实现多租户数据抓取:https://xie.infoq.cn/article/d7df312ab5c58d82b913f7445


一文带你了解 Grafana 最新开源项目 Mimir 的前世今生:https://xie.infoq.cn/article/2723176da5693f6085c6b1e78


Mimir 速体验 (Part 4):数据抓取的高可靠:https://xie.infoq.cn/article/7ae17cc1a6c04b391d872e85a


Mimir 速体验(Part 6): 规则评估和告警管理:https://xie.infoq.cn/article/1a5a4de7f9fd2c3183e6ec475


Mimir 速体验 (Part 5):原生 OTLP 数据写入:https://xie.infoq.cn/article/5ea9846b1f7d7b0446c3f4fa3


Mimir 源码分析(一):海量 series chunk 同时落盘带来的挑战:https://xie.infoq.cn/article/14ad0bd19a8256fabf3a4807d


Mimir 简介:https://www.jianshu.com/p/c807611ecc9c


Mimir 查询主流程源码:https://www.jianshu.com/p/f8d30a338854


Prometheus性能调优-什么是高基数问题以及如何解决:https://www.jianshu.com/p/cf37c3e0fb92


Grafana Mimir 调研:https://zhuanlan.zhihu.com/p/547989004


一文读懂 Prometheus 长期存储主流方案:https://zhuanlan.zhihu.com/p/564705066


Grafana Mimir在海量时间序列指标中的优化
https://blog.csdn.net/Meepoljd/article/details/124985921?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522168208054616800197065814%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fall.%2522%257D&request_id=168208054616800197065814&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~first_rank_ecpm_v1~rank_v31_ecpm-10-124985921-null-null.142^v86^insert_down1,239^v2^insert_chatgpt&utm_term=mimir&spm=1018.2226.3001.4187


如何精简 Prometheus 的指标和存储占用
https://blog.csdn.net/jh035512/article/details/127956841?ops_request_misc=&request_id=&biz_id=102&utm_term=mimir&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduweb~default-8-127956841.142^v86^insert_down1,239^v2^insert_chatgpt&spm=1018.2226.3001.4187


https://www.oschina.net/news/189046/grafana-mimir
Grafana Labs 发布高性能开源时序数据库:Grafana Mimir


Grafana 开源 Prometheus 长期存储项目 Mimir
https://my.oschina.net/u/4197945/blog/5510473


Prometheus 性能调优 - 水平分片
https://my.oschina.net/u/6187054/blog/5599509


Get started with Grafana Mimir in minutes:
https://grafana.com/blog/2022/04/15/video-get-started-with-grafana-mimir-in-minutes/


Video: How to migrate to Grafana Mimir in less than 4 minutes:
https://grafana.com/blog/2022/04/25/video-how-to-migrate-to-grafana-mimir-in-less-than-4-minutes/


https://grafana.com/docs/mimir/v2.7.x/references/learning-resources/
一文搞懂 Grafana Mimir:https://xie.infoq.cn/article/1a5a4de7f9fd2c3183e6ec475
Grafana Mimir 调研:https://zhuanlan.zhihu.com/p/547989004
 

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/7322.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

现代软件工程 — 第一部分:系统设计

在80年代末和90年代初长大的我&#xff0c;对电脑的接触几乎仅限于游戏机&#xff08;我认为是Atari 800和Commodore 64游戏机&#xff0c;因为我只看到过在它们上面运行的游戏&#xff09;或早期的X86系统。直到2000年我上了大学&#xff0c;我才掌握了一台Sun Microsystems S…

钉钉接入大模型后,我才看懂阿里云钉一体战略的真正价值

来源&#xff1a; 首席数智官&#xff08;ID&#xff1a;shouxishuzhiguan&#xff09; hello 大家好&#xff0c;我们是数字化领军者都在看的首席数智官。 关注我&#xff0c;每天给你讲一个商业案例。 今天我们要给你讲的是&#xff1a;钉钉接入大模型后&#xff0c;阿里云…

微软或将于下周推出GPT-4;百度将在3月16日发布文心一言;小i机器人成功登陆纳斯达克丨每日大事件...

‍ ‍数据智能产业创新服务媒体 ——聚焦数智 改变商业 企业动态 百度计划于3月16日14时召开新闻发布会&#xff0c;主题围绕文心一言 3月10日&#xff0c;据百度官方微博消息&#xff0c;百度计划于3月16日14时在北京总部召开新闻发布会&#xff0c;主题围绕文心一言。百度创…

小i机器人登陆纳斯达克:市值4.2亿美元,与苹果打了10年专利侵权官司

‍数据智能产业创新服务媒体 ——聚焦数智 改变商业 要问当前科技圈里最靓的仔是谁&#xff1f;那当然是非 ChatGPT莫属。当下谁能推出真正意义上的中国版ChatGPT&#xff0c;并且在这轮AI浪潮竞争白热化阶段中笑到最后&#xff0c;已经成为人们关注的焦点。 美东时间3月9日&a…

Python年利率计算器【N日年化收益率】

现在有闲钱的人&#xff0c;按照聪明等级从低到高排序应该是 钱买股票&#xff0c;一年利率约为-20% 钱放银行活期&#xff0c;年利率约为0.3% 钱放银行定期&#xff0c;一年利率约为1.5% 钱放余额宝&#xff08;支付宝&#xff09;或零钱通&#xff08;微信&#xff09;&#…

李宏毅-2023春机器学习 ML2023 SPRING-学习笔记:3/3 机器学习基本概念介绍

目录 3/3 机器学习基本概念介绍快速了解機器學習基本原理生成式學習的兩種策略&#xff1a;要各個擊破&#xff0c;還是要一次到位能夠使用工具的AI&#xff1a;New Bing, WebGPT, ToolformerBrief Introduction of Deep LearningGradient DescentBackpropagation卷積神經網路 …

如何用 GPT-4 帮你写游戏?

你知道的&#xff0c;GPT-4 发布了。 目前你想要用上 GPT-4&#xff0c;主要的渠道是 ChatGPT Plus 。作为交了订阅费的用户&#xff0c;你可以在对话的时候选择模型来使用。 另一种渠道&#xff0c;就是申请官方 API 的排队。我在申请 New Bing Chat 的时候&#xff0c;耐心被…

chatGPT与人形机器人,高泽龙接受中国经营报采访谈二者发展

1.相较于Chatgpt&#xff0c;人形机器人的市场前景有多大&#xff1f; 答&#xff1a;人形机器人的市场前景可以用“无限大”来形容&#xff0c;这看起来很夸张而且并不合理&#xff0c;其实是客观而且中肯的。因为这个问题就仿佛是五十年前&#xff0c;人们问“未来的电脑市场…

ChatGPT 来了,你准备好了吗?

周三的晚上&#xff0c;我做了一次直播&#xff0c;题目叫做《ChatGPT 来了&#xff0c;老师和同学们准备好了吗&#xff1f;》。如果你还没看&#xff0c;欢迎看看回放视频。 做这次直播&#xff0c;是因为受了三重刺激。 第一重&#xff0c;来自于我的一位好友&#xff0c;也…

7 个月来,ChatGPT 首次遭遇“负增长”!月访问量下滑 10%​,网友:“过气”预警?...

整理 | 郑丽媛 出品 | CSDN&#xff08;ID&#xff1a;CSDNnews&#xff09; 在全球掀起 AI 热潮的 ChatGPT&#xff0c;爆火了 7 个月后&#xff0c;似乎开始有些“过气”了&#xff1f; 根据网站数据分析工具 SimilarWeb 最新调查显示&#xff0c;在刚刚过去的 6 月中&#x…

GPT-4 手画设计稿 直接生成前端页面

1.演讲者直接手画了一个设计稿 2.输入指令&#xff1a;用html/js把这个原型稿变成彩色网站&#xff0c;填充 2 条真实的笑话 3. 网站代码自动生成 不少所谓的大V在朋友圈噱头喊着前端要失业XX,其实本质上对事物的理解认知不够 AI本质上是帮助人提高生产力的工具&#xff0c;人才…

文心一言话题的思考

⭐️我叫忆_恒心&#xff0c;一名喜欢书写博客的在读研究生&#x1f468;‍&#x1f393;。 如果觉得本文能帮到您&#xff0c;麻烦点个赞&#x1f44d;呗&#xff01; 近期会不断在专栏里进行更新讲解博客~~~ 有什么问题的小伙伴 欢迎留言提问欧&#xff0c;喜欢的小伙伴给个三…

跟李沐学ChatGPT背后技术:67分钟读透InstructGPT论文

Datawhale干货 论文解读&#xff1a;李沐&#xff0c;来源&#xff1a;机器之心 InstructGPT 和 ChatGPT 之间有很多一脉相承之处。因此&#xff0c;吃透 InstructGPT 论文对于想要在 ChatGPT 方向上做些工作的同学来说将大有裨益。 在 ChatGPT 走红之后&#xff0c;很多关注技…

ChatGPT之后性能怪兽来了?马库斯7大「黑暗」预测:GPT-4带不来AGI

视学算法报道 编辑&#xff1a;昕朋 好困 【导读】ChatGPT的爆火&#xff0c;点燃了人们对通用人工智能的热情。在全世界对GPT-4翘首以盼时&#xff0c;马库斯却做出7大预测&#xff0c;给大家泼了盆冷水。性能提升却不能理解世界&#xff0c;大型语言模型会是AGI的未来吗&am…

ChatGPT走红| 微软ATP带你开启高校AI人才培育新时代

与传统搜索引擎不同的是&#xff0c;ChatGPT不是机械罗列出相关网页结果&#xff0c;而是将答案进行整理、优化&#xff0c;以对话形式呈现给用户&#xff0c;还能很快根据上下文互动&#xff01;甚至有人用它辅助自己写论文、完成文字性作业…… ▍抢跑早规划 入门AI不迷茫 AI…

AI 工具大全

文章目录 ChatGPT 聊天绘画与图像文章PPTAdoble语音通话捷径指令 视频音乐小程序帮你阅读 汇集 AI 工具&#xff0c;改变个人办公姿势。拥抱新时代的“通用人工智能”。利用 AI 工具来改造你学习和工作的流程。通过将 AI 嵌入生活和工作的方方面面&#xff0c;你不仅能够获得沉…

如何利用ChatGPT帮助开展日常科研工作?

©作者 | 芯片斯多葛 ChatGPT 可以赋能科研全流程&#xff0c;尤其是对于英语非母语的科研人员&#xff0c;可以极大地提高日常科研工作效率。 论文搜集助理 重要提醒&#xff1a;ChatGPT 可能会编造不存在的论文&#xff0c;而且论文数据库与谷歌学术等平台差距较大&#…

ChatGPT-AI地图

ChatGPT-AI地图 1、AI-对话 应用名称应用地址ChatGPThttps://chat.openai.com/NotionAINotion AIA.I. Data Sidekick&#xff1a;AI工具编写 SQL、文档等的速度提高10倍[AirOpsWritesonic&#xff1a;人工智能写作辅助工具Writesonic - Best AI Writer, Copywriting & Par…

GEEer成长日记二十三:chatGPT可以帮我们提取水体边缘吗?

欢迎关注公众号&#xff1a;GEEer成长日记 目录 01 首先&#xff0c;chatGPT是什么&#xff1f; 02 进入正题&#xff0c;如何进行边缘检测&#xff1f; chatGPT推出之后&#xff0c;引发了激烈的讨论&#xff0c;今天带各位看看它在GEE方面能为我们做什么。原本想着它可以…

Meta AI最新出品,全能的分割模型SAM:掀桌子的Segment Anything,CV届的ChatGPT已经到来!

掀桌子的Segment Anything 本来不打算再发关于分割的相关内容的&#xff0c;但是13小时前&#xff0c;2023年4月5号&#xff0c;Meta AI在Arxiv网站发布了文章《Segment Anything》&#xff0c;并将SAM模型代码和数据开源。作为通用的分割网络&#xff0c;SAM或许将成为&#…