监控系统选型，一篇全搞定！

之前，写过几篇有关线上问题排查的文章，文中附带了一些监控图，有些读者对此很感兴趣，问我监控系统选型上有没有好的建议?

图片来自 Pexels

目前我所经历的几家公司，监控系统都是自研的。其实业界有很多优秀的开源产品可供选择，能满足绝大部分的监控需求，如果能从中选择一款满足企业当下的诉求，显然最省时省力。

这篇文章，我将对监控体系的基础知识、原理和架构做一次系统性整理，同时还会对几款最常用的开源监控产品做下介绍，以便大家选型时参考。

内容包括如下三部分：

• 必知必会的监控基础知识
• 主流监控系统介绍
• 监控系统的选型建议

必知必会的监控基础知识

监控系统俗称“第三只眼”，几乎是我们每天都会打交道的系统，下面四项基础知识我认为是必须要了解的。

监控系统的 7 大作用

正所谓“无监控，不运维”，监控系统的地位不言而喻。不管你是监控系统的开发者还是使用者，首先肯定要清楚：监控系统的目标是什么?它能发挥什么作用?

监控系统有如下七大作用：

• 实时采集监控数据：包括硬件、操作系统、中间件、应用程序等各个维度的数据。
• 实时反馈监控状态：通过对采集的数据进行多维度统计和可视化展示，能实时体现监控对象的状态是正常还是异常。
• 预知故障和告警：能够提前预知故障风险，并及时发出告警信息。
• 辅助定位故障：提供故障发生时的各项指标数据，辅助故障分析和定位。
• 辅助性能调优：为性能调优提供数据支持，比如慢 SQL，接口响应时间等。
• 辅助容量规划：为服务器、中间件以及应用集群的容量规划提供数据支撑。
• 辅助自动化运维：为自动扩容或者根据配置的 SLA 进行服务降级等智能运维提供数据支撑。

使用监控系统的正确姿势

出任何线上事故，先不说其他地方有问题，监控部分一定是有问题的。听着很甩锅的一句话，仔细思考好像有一定道理。

我们在事故复盘时，通常会思考这三个和监控有关的问题：

• 有没有做监控?
• 监控是否及时?
• 监控信息是否有助于快速定位问题?

可见光有一套好的监控系统还不够，还必须知道如何用好它。一个成熟的研发团队通常会定一个监控规范，用来统一监控系统的使用方法。

如何使用监控系统?总结如下四个方面：

• 了解监控对象的工作原理：要做到对监控对象有基本的了解，清楚它的工作原理。比如想对 JVM 进行监控，你必须清楚 JVM 的堆内存结构和垃圾回收机制。
• 确定监控对象的指标：清楚使用哪些指标来刻画监控对象的状态?比如想对某个接口进行监控，可以采用请求量、耗时、超时量、异常量等指标来衡量。
• 定义合理的报警阈值和等级：达到什么阈值需要告警?对应的故障等级是多少?不需要处理的告警不是好告警，可见定义合理的阈值有多重要，否则只会降低运维效率或者让监控系统失去它的作用。
• 建立完善的故障处理流程：收到故障告警后，一定要有相应的处理流程和 oncall 机制，让故障及时被跟进处理。

监控的对象和指标都有哪些

监控已然成为了整个产品生命周期非常重要的一环，运维关注硬件和基础监控，研发关注各类中间件和应用层的监控，产品关注核心业务指标的监控。可见，监控的对象已经越来越立体化。

这里，我对常用的监控对象以及监控指标做了分类整理，供大家