使用阿里云平台定制的一套监控方案

使用阿里云平台定制的一套监控方案

老生常谈——为什么配置监控？

当开发提交代码、运维完成部署后，我们开发的程序便运行起来。但是程序运行是正常，期间是否会出现什么意外问题，对于任何开发/运维人员来说都是很难在没有任何辅助工具的情况下感知到的，尽管在上线之前由测试同学做了地毯式的测试，但是因为测试环境和线上环境终究是有区别的，难免有覆盖不到的问题。很多时候一直到接到用户的投诉电话，bug才能被发现，其实此时已经大面积影响用户使用，对于用户体验和提升用户粘性来说是很糟糕的事情！

通过监控系统来辅助技术人员第一时间发现、处理、修复线上业务是一件相当重要的事情。但是，告警的配置是一个不断优化的过程，因为告警的基础取决于数据，而数据是根据业务的不断优化在不断变化的，监控的配置整体来说是一个动态的过程，如果为了完成任务而去添加告警，想着一蹴而就，很容易造成误报，进而随着时间的推移导致告警疲劳。

所以，可靠稳定的产品背后必须要有靠谱的监控报警框架做支撑。

监控系统

针对不同的场景，告警系统主要分为三部分：基础监控、接口监控(arms)、业务监控。

基础监控

基础监控是通过阿里云平台的云监控实现的，主要对ecs实例、slb、redis实例、rds实例、api网关、oss存储、CDN等基础服务做了监控，监控指标如下：

• 实例存活状态；
• 内存使用率；
• CPU使用率；
• 磁盘使用率；
• 带宽使用率；
• QPS使用率；
• … ...

该部分主要由运维组来配置、关注并及时对告警作出应急响应！

配置方法：阿里云云监控

接口监控

接口监控是对应用的基础监控，主要包括各个应用接口的请求频率、响应时间、错误数及整个调用链路等，该部分是通过阿里云的arms(应用实时监控服务)系统来实现，示例如下：

该部分需要在edas中开启应用的高级监控功能，通过edas发布的时候会自动部署。运维人员负责督导，技术人员关注并对告警作出应急响应，及时评估业务可用性，保证业务正常运行！

配置方法：阿里云arms监控

业务监控

业务监控是目前对线上业务最细粒度的监控，各个监控指标直接反应了业务的实时可用性，相对于前两周种监控来讲，业务监控更直观的反应了client(客户端)的使用情况，所以也是重中之重！该部分是通过阿里云的日志服务来实现的，示例如下：

该部分由运维组联合大数据组配置日志服务，然后由开发来配置具体监控项，告警信息直接发送到企业微信"服务预警"群(机器人)，发生告警后由开发主导、运维协助并督促来排查和修复线上问题！

配置方法：阿里云日志服务

监控配置规范

关于监控告警配置规范主要是针对业务监控。规范的告警信息，能提升可读性、fix（修复）效率。业务监控告警模板：

• 业务名称：要简单明了
• 告警原因：信息可靠有效
• 告警提示信息：要精简、有指导性，提升技术人员fix效率
• 告警提醒人：建议@all，广而告之，强制提醒！

以上模板不是一成不变的，统一是为了提升可读性，具体情况需要根据业务的需求适当进行调整，但是一定要遵循精简的原则！

Attention Pls！！！

注意事项！！！

其实很多时候，因为工作疲劳、不重要的告警太频繁等等导致大家慢慢不再关注告警，甚至直接屏蔽告警消息(免打扰)，这种事情屡见不鲜，如何避免此类事情?

监控要靠谱！！！(不靠谱的告警，时间久了自然而然没人愿意关注！浪费感情~~)

配置靠谱的监控：

• 监控指标要靠谱：这取决于开发人员对于自身所负责业务的了解！
• 告警阈值要靠谱：告警阈值的设定直接关系到告警的频率，所以设定合适的阈值非常重要(动态！)
• 告警信息要靠谱：告警信息禁止冗余的内容，三个字——讲重点！
• 应急响应要及时：负责人要时刻关注告警信息，对于自己管辖内的告警要及时响应、及时反馈（避免其他人跟着担忧）

话外音： 对于告警信息，不应是屏蔽/免打扰，而是通过不断的优化、合理的使用告警、及时的反馈处理进度来提升业务稳定性，减少告警！

转载于: