最近对服务进行监控,而当前监控最流行的数据库就是 Prometheus
,同时 go-zero
默认接入也是这款数据库。今天就对 go-zero
是如何接入 Prometheus
,以及开发者如何自己定义自己监控指标。
监控接入
go-zero
框架中集成了基于 prometheus
的服务指标监控。但是没有显式打开,需要开发者在 config.yaml
中配置:
Prometheus:
Host: 127.0.0.1
Port: 9091
Path: /metrics
如果开发者是在本地搭建 Prometheus
,需要在 Prometheus
的配置文件 prometheus.yaml
中写入需要收集服务监控信息的配置:
- job_name: 'file_ds'
static_configs:
- targets: ['your-local-ip:9091']
labels:
job: activeuser
app: activeuser-api
env: dev
instance: your-local-ip:service-port
因为本地是用 docker
运行的。将 prometheus.yaml
放置在 docker-prometheus
目录下:
docker run \
-p 9090:9090 \
-v dockeryml/docker-prometheus:/etc/prometheus \
prom/prometheus
打开 localhost:9090
就可以看到:
点击 http://service-ip:9091/metrics
就可以看到该服务的监控信息:
上图我们可以看出有两种 bucket
,以及 count/sum
指标。
那 go-zero
是如何集成监控指标?监控的又是什么指标?我们如何定义我们自己的指标?下面就来解释这些问题
以上的基本接入,可以参看我们的另外一篇:https://zeromicro.github.io/go-zero/service-monitor.html
如何集成
上面例子中的请求方式是 HTTP
,也就是在请求服务端时,监控指标数据不断被搜集。很容易想到是 中间件 的功能,具体代码:https://github.com/tal-tech/go-zero/blob/master/rest/handler/prometheushandler.go。
var (
metricServerReqDur = metric.NewHistogramVec(&metric.HistogramVecOpts{
...
// 监控指标
Labels: []string{"path"},
// 直方图分布中,统计的桶
Buckets: []float64{5, 10, 25, 50, 100, 250, 500, 1000},
})
metricServerReqCodeTotal = metric.NewCounterVec(&metric.CounterVecOpts{
...
// 监控指标:直接在记录指标 incr() 即可
Labels: []string{"path", "code"},
})
)
func PromethousHandler(path string) func(http.Handler) http.Handler {
return func(next http.Handler) http.Handler {
return http.HandlerFunc(func(w http.ResponseWriter, r *http.Request) {
// 请求进入的时间
startTime := timex.Now()
cw := &security.WithCodeResponseWriter{Writer: w}
defer func() {
// 请求返回的时间
metricServerReqDur.Observe(int64(timex.Since(startTime)/time.Millisecond), path)
metricServerReqCodeTotal.Inc(path, strconv.Itoa(cw.Code))
}()
// 中间件放行,执行完后续中间件和业务逻辑。重新回到这,做一个完整请求的指标上报
// [🧅:洋葱模型]
next.ServeHTTP(cw, r)
})
}
}
其实整个很简单:
-
HistogramVec
负责请求耗时搜集:-
bucket
存放的就是option
指定的耗时指标。某个请求耗时多少就会被聚集对应的桶,计数。 - 最终展示的就是一个路由在不同耗时的分布,很直观提供给开发者可以优化的区域。
-
-
CounterVec
负责指定labels
标签搜集:Labels: []string{"path", "code"}
-
labels
相当一个tuple
。go-zero
是以(path, code)
作为整体,记录不同路由不同状态码的返回次数。如果4xx,5xx
过多的时候,是不是应该看看你的服务健康程度?
如何自定义
go-zero
中也提供了 prometheus metric
基本封装,供开发者自己开发自己 prometheus
中间件。
代码:https://github.com/tal-tech/go-zero/tree/master/core/metric
名称 | 用途 | 搜集函数 |
---|---|---|
CounterVec | 单一的计数。用做:QPS统计 |
CounterVec.Inc() 指标+1 |
GuageVec | 单纯指标记录。适用于磁盘容量,CPU/Mem使用率(可增加可减少) |
GuageVec.Inc()/GuageVec.Add() 指标+1/指标加N,也可以为负数 |
HistogramVec | 反应数值的分布情况。适用于:请求耗时、响应大小 |
HistogramVec.Observe(val, labels) 记录指标当前对应值,并找到值所在的桶,+1 |
另外对
HistogramVec.Observe()
做一个基本分析:我们其实可以看到上图每个
HistogramVec
统计都会有3个序列出现:
_count
:数据个数_sum
:全部数据加和_bucket{le=a1}
:处于[-inf, a1]
的数据个数所以我们也猜测在统计过程中,分3种数据进行统计:
// 基本上在prometheus的统计都是使用 atomic CAS 方式进行计数的 // 性能要比使用 Mutex 要高 func (h *histogram) observe(v float64, bucket int) { n := atomic.AddUint64(&h.countAndHotIdx, 1) hotCounts := h.counts[n>>63] if bucket < len(h.upperBounds) { // val 对应数据桶 +1 atomic.AddUint64(&hotCounts.buckets[bucket], 1) } for { oldBits := atomic.LoadUint64(&hotCounts.sumBits) newBits := math.Float64bits(math.Float64frombits(oldBits) + v) // sum指标数值 +v(毕竟是总数sum) if atomic.CompareAndSwapUint64(&hotCounts.sumBits, oldBits, newBits) { break } } // count 统计 +1 atomic.AddUint64(&hotCounts.count, 1) }
所以开发者想定义自己的监控指标:
- 在使用
goctl
生成API代码指定要生成的 中间件:https://zeromicro.github.io/go-zero/middleware.html - 在中间件文件书写自己需要统计的指标逻辑
- 当然,开发者也可以在业务逻辑中书写统计的指标逻辑。同上。
上述都是针对 HTTP
部分逻辑的解析,RPC
部分的逻辑类似,你可以在 拦截器 部分看到设计。
总结
本文分析了 go-zero
服务监控指标的逻辑,当然对于一些基础设施的监控,prometheus
可以通过引入对应的 exporter
来完成。
项目地址
https://github.com/tal-tech/go-zero
欢迎使用 go-zero 并 star 支持我们!
go-zero 系列文章见『微服务实践』公众号