自监控

问题

监控系统用于监控其他的系统、基础设施，绝对是 P0 级的服务，那监控系统的自监控应该怎么做呢？如果自己监控自己，有些组件挂掉了难免循环依赖，如果单独搞一套新的监控系统来监控当前服役的监控系统，又搞得有些过于复杂。本文我们来探讨一下监控系统的自监控应该怎么做。

解决方案：自身指标

首先，监控系统自身是会暴露监控指标的，比如 Prometheus、VictoriaMetrics、Nightingale，都通过 /metrics 接口暴露了自身的监控指标，这些指标通过监控系统自身的采集机制去采集就好，相关数据的历史趋势图、告警规则，也在监控系统自身配置好，只要自身模块没有挂掉，或者没有全部挂掉，相关数据基本都可以正常使用。

比如 Nightingale 的自身监控指标，可以通过 categraf 的 input.prometheus 插件来采集，即 conf/input.prometheus/prometheus.toml 的内容如下：

  1. [[instances]]
  2. urls = [
  3.     "http://localhost:17000/metrics"
  4. ]

localhost:17000 换成你的 Nightingale 的地址即可。然后导入内置仪表盘：https://github.com/ccfos/nightingale/tree/main/integrations/n9e/dashboards，即可看到 Nightingale 自身的监控指标了。

解决方案：存活监控

如果监控系统同时有多个模块故障，此时自身指标可能都采集不到了，告警引擎可能也有故障，此时就没法通过自身指标来监控了，此时就需要一个外挂的小监控系统来监控这类严重情况了。而且，告警通道尽量也不要复用之前的通道，因为通道可能也会故障。

我的建议是采用 catpaw + FlashDuty 来搞这个需求。FlashDuty 是外网的 SaaS 服务，只要公网出口是好的，就能提供监控服务，而且无需我们维护，使用免费套餐都够用，毕竟监控系统也不会经常挂。。。

catpaw 最新版本是 v0.7.0，已经提供了 exec（执行脚本的插件）、filechange（文件变化监控的插件）、http（HTTP探测的插件）、journaltail（系统日志异常检测插件）、mtime（递归判断文件变化的插件）、net（TCP、UDP探测的插件）、ping（PING插件）、procnum（进程数量监控插件）、sfilter（自定义脚本插件，相比exec插件更简单，匹配脚本输出）等多个监控插件，我们可以使用 net 插件来探测监控系统的各个组件的存活情况，比如下面是 net 插件的配置样例：

  1. [[instances]]
  2. targets = [
  3. #     "127.0.0.1:22",
  4. #     "localhost:6379",
  5. #     ":9090"
  6. ]
  8. ## Set timeout (default 5 seconds)
  9. # timeout = "5s"
  11. ## Set read timeout (only used if expecting a response)
  12. # read_timeout = "5s"
  14. # # Concurrent requests to make per instance
  15. # concurrency = 10
  17. # # gather interval
  18. # interval = "30s"
  20. # # Optional append labels
  21. # labels = { env="production", team="devops" }
  23. ## Protocol, must be "tcp" or "udp"
  24. ## NOTE: because the "udp" protocol does not respond to requests, it requires
  25. ## a send/expect string pair (see below).
  26. # protocol = "tcp"
  28. ## The following options are required for UDP checks. For TCP, they are
  29. ## optional. The plugin will send the given string to the server and then
  30. ## expect to receive the given 'expect' string back.
  31. ## string sent to the server
  32. # send = "ssh"
  33. ## expected string in answer
  34. # expect = "ssh"
  36. [instances.alerting]
  37. ## Enable alerting or not
  38. enabled = true
  39. ## Same functionality as Prometheus keyword 'for'
  40. for_duration = 0
  41. ## Minimum interval duration between notifications
  42. repeat_interval = "5m"
  43. ## Maximum number of notifications
  44. repeat_number = 3
  45. ## Whether notify recovery event
  46. recovery_notification = true
  47. ## Choice: Critical, Warning, Info
  48. default_severity = "Warning"

如果目标 IP:Port 连不上了，就会报警，报警事件的具体推送策略在 [instances.alerting] 配置段配置。

如果监控系统的某个模块，不监听端口，没法监控端口存活，可以使用进程数量监控，即 procnum 插件，相关配置样例如下：

  1. [[instances]]
  2. # # executable name (ie, pgrep <search_exec_substring>)
  3. # search_exec_substring = ""
  5. # # pattern as argument for pgrep (ie, pgrep -f <search_cmdline_substring>)
  6. search_cmdline_substring = ""
  8. # # windows service name
  9. # search_win_service = ""
  11. alert_if_num_lt = 1
  12. check = "进程存活检测(进程数量检测)"
  13. interval = "30s"
  15. [instances.alerting]
  16. ## Enable alerting or not
  17. enabled = true
  18. ## Same functionality as Prometheus keyword 'for'
  19. for_duration = 0
  20. ## Minimum interval duration between notifications
  21. repeat_interval = "5m"
  22. ## Maximum number of notifications
  23. repeat_number = 3
  24. ## Whether notify recovery event
  25. recovery_notification = true
  26. ## Choice: Critical, Warning, Info
  27. default_severity = "Warning"

net 和 procnum 这两个插件配合，理论上一定可以发现进程挂掉的情况，如此一来，严重的情况 catpaw 就可以发现了，不严重的情况，监控系统自身的指标就可以发现了，齐活。