使用 StatsD + InfluxDB + Grafana 搭建 Node.js 监控系统 (二)

文章来源：https://zhuanlan.zhihu.com/p/26981364?group_id=850365065449328641

上一篇主要讲了 StatsD + InfluxDB + Grafana 的搭建并用 Grafana 创建了两种图表（Graph）：

api 每个接口的请求量

api 每个接口的响应时间

这一篇主要讲讲两个深入使用 Grafana 的方式：

如何将 Grafana 跟 ELK 紧密的结合起来

Grafana 监控报警

Grafana + ELK

在观察 Grafana 监控时，发现某个 api 接口响应时间突然有一个尖刺，这个时候的表情是：


不过别急，我之前写过一篇《Koa 请求日志打点工具》讲了如何打点 Koa 应用，将慢日志收集到 ELK，可以看到具体某个请求每一步 yield 表达式的执行耗时。那如何将 Grafana 和 ELK 中的打点日志结合起来呢？我们深入研究下 Grafana，会发现一个可用的功能：Grafana 的图表可以添加 link，如下：



上图选项的意思是：当鼠标悬浮在图表的左上角时，会弹出一个名为 Go to shimo 的链接，点击会跳转到 https://shimo.im。记住勾选上 Include time range，这是关键所在。

Kibana-RequestId-Link

勾选 Include time range 会在 querystring 里添加 from=xxx&to=xxx，而且当选取范围时 Grafana 的 time range 格式跟 Kibana 的还不太一样。于是我写了一个 Chrome 插件 kibana-requestId-link，解决了两个问题：

转换 time range 格式。即从 Grafana 带到 Kibana 的 time range（from 和 to）转化成 Kibana 认识的 time range，并重定向。

给 requestId 添加 link。点击后跳转到限定在相同时间范围内通过该 requestId 查询的结果，省了自己再粘贴复制到 Kibana 查询一遍的过程。

该插件已发布到 Chrome App Store，下载地址。

安装完插件后，我们还需要修改初始化 Grafana 响应时间图表的脚本，将：

links: []

改为：

"links": [
{
"title": "Go to kibana",
"type": "absolute",
"keepTime": true,
"targetBlank": true,
"url": "http://你的kibana地址/app/kibana#/discover?_g=(refreshInterval:(display:Off,pause:!f,value:0),time:(from:now-1h,mode:quick,to:now))&_a=(columns:!(routerName,sumOfTake,requestId),index:'logstash-*',interval:auto,query:(query_string:(analyze_wildcard:!t,query:'app:%22api%22%20AND%20routerName:%22<%= action %>%22%20AND%20_exists_:%22sumOfTake%22')),sort:!('@timestamp',asc))"
7fe0

}
]

这里有两点需要说明：

url 里默认 time:(from:now-1h,mode:quick,to:now)，kibana-requestId-link 插件会将这个值替换掉。

query_string 里查询语句为：

app:"api" AND routerName:"xxx" AND _exists_:"sumOfTake"

这里是针对我们业务 api 的 lucene 查询语句。app 限定为 api 的日志，routerName 表明是哪个接口，_exists_:"sumOfTake" 表明是请求最后一步的 log（因为只有慢日志和错误日志的最后一步才加了 sumOfTake 字段）。一句话解释：查询某个时间段内， api 某个接口的所有慢请求和错误请求。

举个真实的例子，过去一小时 file.star 这个接口的响应时间图表：


可以看出，在 09:17 和 09:19 左右分别有一个尖刺（响应时间大于500ms），点击 Go to kibana 跳转到 Kibana，如下：


有两条慢日志，且时间点和响应时间都吻合（这里没有错误请求日志）。我们点击第二条慢日志的 requestId，跳转到如下：


可以看出从请求到来到结束执行了 18 步，大部分 step 执行时间都很短，但在 step=17 这一步执行了 1190ms，点击左边展开查看具体信息：


url 表明是哪个接口，fn 表明 yield 表达式是 this.me.addStarredFile(file, { individualHooks: true })，filename 表明代码在 /data/app/api/controllers/file.js:439:4，status 是 afterYield 表明这个 yield 表达式执行的时间（beforeYield 表示上个 yield 表达式执行之后到这个 yield 表达式执行之前），take 表明执行了 1190ms。

Grafana 监控报警

Grafana v4 版本加入了报警（Alert）功能。

首先，点击左上角图标弹出选项菜单->Alerting->Alert List->Configure notifications。如果没有 channel，点击 New Channel 创建一个。创建或修改 channel 都如下所示：


Email addresses 中 email 地址以分号隔开。点击 Send Test 测试是否能收到邮件。

注意：需要配置 Grafana 的使用邮箱地址。

回到具体的监控图表，进入编辑页面，有一个 Alert tab 页，如下：


上图选项的意思是：给 file.star 接口加一个监控报警，每 60s 检查一次，如果过去 5m 平均响应时间大于 500ms 则发送报警邮件。Notifications 可以设置发送到哪些 channel，这里设置只发送到 admin 这个 channel，可以在 Message 里填写详细的描述，State history 保存了所有报警历史。


对应的我们需要修改创建响应时间图表的脚本，添加 alert 字段：

{
"alert": {
"conditions": [
{
"evaluator": {
"params": [
500
],
"type": "gt"
},
"operator": {
"type": "and"
},
"query": {
"params": [
"A",
"5m",
"now"
]
},
"reducer": {
"params": [],
"type": "avg"
},
"type": "query"
}
],
"executionErrorState": "alerting",
"frequency": "60s",
"handler": 1,
"name": "<%= action %> 响应时间",
"noDataState": "no_data",
"notifications": []
},
...
"id": <%= panelId %>
}

注意：这里的 A 即之前 mean 的 refId。

收到的报警邮件会带有当前监控图表的 screenshot，如下所示：

最后

我们正在招聘！

[北京/武汉] 石墨文档 做最美产品 - 寻找中国最有才华的工程师加入