Prometheus Node Exporter 常用监控指标

Prometheus Node Exporter 常用监控指标

物理资源监控

您可以利用物理资源监控页面提供的数据更好地掌控物理资源状态，并建立正常资源和集群性能的标准。KubeSphere 允许用户查看最近 7 天的集群监控数据，包括 CPU 用量、内存用量、CPU 平均负载（1 分钟/5 分钟/15 分钟）、磁盘用量、Inode 用量、磁盘吞吐（读写）、IOPS（读写）、网络带宽和容器组状态。您可以在 KubeSphere 中自定义时间范围和时间间隔以查看物理资源的历史监控数据。以下简要介绍每个监控指标。

常用监控指标

本节我们来了解一些关于节点监控的常用指标，比如 CPU、内存、IO 监控等。

CPU 监控

CPU 用量

CPU 用量显示一段时间内 CPU 资源的用量。如果某一时间段的 CPU 用量急剧上升，您首先需要定位占用 CPU 资源最多的进程。例如，Java 应用程序代码中的内存泄漏或无限循环可能会导致 CPU 用量急剧上升。

CPU 平均负载

CPU 平均负载是单位时间内系统中处于可运行状态和非中断状态的平均进程数（亦即活动进程的平均数量）。CPU 平均负载和 CPU 利用率之间没有直接关系。理想情况下，平均负载应该等于 CPU 的数量。因此，在查看平均负载时，需要考虑 CPU 的数量。只有当平均负载大于 CPU 数量时，系统才会超载。

KubeSphere 为用户提供了 1 分钟、5 分钟和 15 分钟三种不同的平均负载。通常情况下，建议您比较这三种数据以全面了解平均负载情况。

如果在一定时间范围内 1 分钟、5 分钟和 15 分钟的曲线相似，则表明集群的 CPU 负载相对稳定。如果某一时间范围或某一特定时间点 1 分钟的数值远大于 15 分钟的数值，则表明最近 1 分钟的负载在增加，需要继续观察。一旦 1 分钟的数值超过 CPU 数量，系统可能出现超载，您需要进一步分析问题的根源。如果某一时间范围或某一特定时间点 1 分钟的数值远小于 15 分钟的数值，则表明系统在最近 1 分钟内负载在降低，在前 15 分钟内出现了较高的负载。

对于节点我们首先能想到的就是要先对 CPU 进行监控，因为 CPU 是处理任务的核心，根据 CPU 的状态可以分析出当前系统的健康状态。

要对节点进行 CPU 监控，需要用到 ​​node_cpu_seconds_total​​ 这个监控指标，在 metrics 接口中该指标内容如下所示：

# HELP node_cpu_seconds_total Seconds the CPUs spent in each mode.# TYPE node_cpu_seconds_total counternode_cpu_seconds_total{cpu="0",mode="idle"} 13172.76node_cpu_seconds_total{cpu="0",mode="iowait"} 0.25node_cpu_seconds_total{cpu="0",mode="irq"} 0node_cpu_seconds_total{cpu="0",mode="nice"} 0.01node_cpu_seconds_total{cpu="0",mode="softirq"} 87.99node_cpu_seconds_total{cpu="0",mode="steal"} 0node_cpu_seconds_total{cpu="0",mode="system"} 309.38node_cpu_seconds_total{cpu="0",mode="user"} 79.93node_cpu_seconds_total{cpu="1",mode="idle"} 13168.98node_cpu_seconds_total{cpu="1",mode="iowait"} 0.27node_cpu_seconds_total{cpu="1",mode="irq"} 0node_cpu_seconds_total{cpu="1",mode="nice"} 0node_cpu_seconds_total{cpu="1",mode="softirq"} 74.1node_cpu_seconds_total{cpu="1",mode="steal"} 0node_cpu_seconds_total{cpu="1",mode="system"} 314.71node_cpu_seconds_total{cpu="1",mode="user"} 78.83node_cpu_seconds_total{cpu="2",mode="idle"} 13182.78node_cpu_seconds_total{cpu="2",mode="iowait"} 0.69node_cpu_seconds_total{cpu="2",mode="irq"} 0node_cpu_seconds_total{cpu="2",mode="nice"} 0node_cpu_seconds_total{cpu="2",mode="softirq"} 66.01node_cpu_seconds_total{cpu="2",mode="steal"} 0node_cpu_seconds_total{cpu="2",mode="system"} 309.09node_cpu_seconds_total{cpu="2",mode="user"} 79.44node_cpu_seconds_total{cpu="3",mode="idle"} 13185.13node_cpu_seconds_total{cpu="3",mode="iowait"} 0.18node_cpu_seconds_total{cpu="3",mode="irq"} 0node_cpu_seconds_total{cpu="3",mode="nice"} 0node_cpu_seconds_total{cpu="3",mode="softirq"} 64.49node_cpu_seconds_total{cpu="3",mode="steal"} 0node_cpu_seconds_total{cpu="3",mode="system"} 305.86node_cpu_seconds_total{cpu="3",mode="user"} 78.17

从接口中描述可以看出该指标是用来统计 CPU 每种模式下所花费的时间，是一个 Counter 类型的指标，也就是会一直增长，这个数值其实是 CPU 时间片的一个累积值，意思就是从操作系统启动起来 CPU 开始工作，就开始记录自己总共使用的时间，然后保存下来。

而且这里的累积的 CPU 使用时间还会分成几个不同的模式，比如用户态使用时间、空闲时间、中断时间、内核态使用时间等等，也就是平时我们使用 top 命令查看的 CPU 的相关信息，而我们这里的这个指标会分别对这些模式进行记录。

接下来我们来对节点的 CPU 进行监控，我们也知道一个一直增长的 CPU 时间对我们意义不大，一般我们更希望监控的是节点的 CPU 使用率，也就是我们使用 top 命令看到的百分比。

要计算 CPU 的使用率，那么就需要搞清楚这个使用率的含义，CPU 使用率是 CPU 除空闲（idle）状态之外的其他所有 CPU 状态的时间总和除以总的 CPU 时间得到的结果，理解了这个概念后就可以写出正确的 promql 查询语句了。

要计算除空闲状态之外的 CPU 时间总和，更好的方式是不是直接计算空闲状态的 CPU 时间使用率，然后用 1 减掉就是我们想要的结果了，所以首先我们先过滤 ​​idle​​​ 模式的指标，在 Prometheus 的 WebUI 中输入 ​​node_cpu_seconds_total{mode="idle"}​​ 进行过滤：

要计算使用率，肯定就需要知道 ​​idle​​​ 模式的 CPU 用了多长时间，然后和总的进行对比，由于这是 Counter 指标，我们可以用 ​​increase​​ 函数来获取变化。

使用查询语句 ​​increase(node_cpu_seconds_total{mode="idle"}[1m])​​​，因为 ​​increase​​ 函数要求输入一个区间向量，所以这里我们取 1 分钟内的数据：

我们可以看到查询结果中有很多不同 cpu 序号的数据，我们当然需要计算所有 CPU 的时间，所以我们将它们聚合起来，我们要查询的是不同节点的 CPU 使用率，所以就需要根据 ​​instance​​​ 标签进行聚合，使用查询语句 ​​sum(increase(node_cpu_seconds_total{mode="idle"}[1m])) by (instance)​​：

这样我们就分别拿到不同节点 1 分钟内的空闲 CPU 使用时间了，然后和总的 CPU （这个时候不需要过滤状态模式）时间进行比较即可，使用查询语句 ​​sum(increase(node_cpu_seconds_total{mode="idle"}[1m])) by (instance) / sum(increase(node_cpu_seconds_total[1m])) by (instance)​​：

然后计算 CPU 使用率就非常简单了，使用 1 减去乘以 100 即可：​​(1 - sum(increase(node_cpu_seconds_total{mode="idle"}[1m])) by (instance) / sum(increase(node_cpu_seconds_total[1m])) by (instance) ) * 100​​。

这就是能够想到的最直接的 CPU 使用率查询方式了，当然前面我们学习的 promql 语法中提到过更多的时候我们会去使用 ​​rate​​​ 函数，而不是用 ​​increase​​​ 函数进行计算，所以最终的 CPU 使用率的查询语句为：​​(1 - sum(rate(node_cpu_seconds_total{mode="idle"}[1m])) by (instance) / sum(rate(node_cpu_seconds_total[1m])) by (instance) ) * 100​​。

可以和 top 命令的结果进行对比（下图为 node2 节点），基本上是保持一致的，这就是监控节点 CPU 使用率的方式。

内存监控

除了 CPU 监控之外，我们可能最关心的就是节点内存的监控了，平时我们查看节点的内存使用情况基本上都是使用 ​​free​​ 命令来查看：

​​free​​​ 命令的输出会显示系统内存的使用情况，包括物理内存、交换内存(swap)和内核缓冲区内存等，所以要对内存进行监控我们需要先了解这些概念，我们先了解下 ​​free​​ 命令的输出内容：

​​Mem 行​​(第二行)是内存的使用情况​​Swap 行​​(第三行)是交换空间的使用情况​​total​​ 列显示系统总的可用物理内存和交换空间大小​​used​​ 列显示已经被使用的物理内存和交换空间​​free​​ 列显示还有多少物理内存和交换空间可用使用​​shared​​ 列显示被共享使用的物理内存大小​​buff/cache​​ 列显示被 buffer 和 cache 使用的物理内存大小​​available​​ 列显示还可以被应用程序使用的物理内存大小

其中我们需要重点关注的 ​​free​​​ 和 ​​available​​​ 两列。free 是真正尚未被使用的物理内存数量，而 available 是从应用程序的角度看到的可用内存，Linux 内核为了提升磁盘操作的性能，会消耗一部分内存去缓存磁盘数据，就是 buffer 和 cache，所以对于内核来说，buffer 和 cache 都属于已经被使用的内存，只是应用程序需要内存时，如果没有足够的 free 内存可以用，内核就会从 buffer 和 cache 中回收内存来满足应用程序的请求。所以从应用程序的角度来说 ​​available = free + buffer + cache​​，不过需要注意这只是一个理想的计算方式，实际中的数据有较大的误差。

如果要在 Prometheus 中来查询内存使用，则可以用 ​​node_memory_*​​​ 相关指标，同样的要计算使用的，我们可以计算可使用的内存，使用 promql 查询语句 ​​node_memory_Buffers_bytes + node_memory_Cached_bytes + node_memory_MemFree_bytes​​。

然后计算可用内存的使用率，和总的内存相除，然后同样用 1 减去即可，语句为 ​​(1- (node_memory_Buffers_bytes + node_memory_Cached_bytes + node_memory_MemFree_bytes) / node_memory_MemTotal_bytes) * 100​​，这样计算出来的就是节点内存使用率。

当然如果想要查看各项内存使用直接使用对应的监控指标即可，比如要查看节点总内存，直接使用 ​​node_memory_MemTotal_bytes​​ 指标即可获取。

磁盘监控

接下来是比较中的磁盘监控，对于磁盘监控我们不仅对磁盘使用情况感兴趣，一般来说对于磁盘 IO 的监控也是非常有必要的。

磁盘容量监控

要监控磁盘容量，需要用到 ​​node_filesystem_*​​​ 相关的指标，比如要查询节点磁盘空间使用率，则可以同样用总的减去可用的来进行计算，磁盘可用空间使用 ​​node_filesystem_avail_bytes​​​ 指标，但是由于会有一些我们不关心的磁盘信息，所以我们可以使用 ​​fstype​​​ 标签过滤关心的磁盘信息，比如 ​​ext4​​​ 或者 ​​xfs​​ 格式的磁盘：

要查询磁盘空间使用率，则使用查询语句 ​​(1 - node_filesystem_avail_bytes{fstype=~"ext4|xfs"} / node_filesystem_size_bytes{fstype=~"ext4|xfs"}) * 100​​ 即可：

这样就可以得到我们关心的磁盘空间使用率了。

磁盘 IO 监控

要监控磁盘 IO，就要区分是读的 IO，还是写的 IO，读 IO 使用 ​​node_disk_reads_completed​​​ 指标，写 IO 使用 ​​node_disk_writes_completed_total​​ 指标。

磁盘读 IO 使用 ​​sum by (instance) (rate(node_disk_reads_completed_total[5m]))​​ 查询语句即可：

当然如果你想根据 ​​device​​ 进行聚合也是可以的，我们这里是全部聚合在一起了。

磁盘写 IO 使用 ​​sum by (instance) (rate(node_disk_writes_completed_total[5m]))​​ 查询语句即可：

如果要计算总的读写 IO，则加起来即可 `rate(node_disk_reads_completed_total[5m]) + rate(node_disk_writes_completed_total[5m])

网络 IO 监控

上行带宽需要用到的指标是 ​​node_network_receive_bytes​​​，由于我们对网络贷款的瞬时变化比较关注，所以一般我们会使用 ​​irate​​​ 函数来计算网络 IO，比如计算上行带宽用查询语句 ​​sum by(instance) (irate(node_network_receive_bytes_total{device!~"bond.*?|lo"}[5m]))​​ 即可：

下行带宽用到的指标为 ​​node_network_transmit_bytes​​​，同样的方式查询语句为 ​​sum by(instance) (irate(node_network_transmit_bytes{device!~"bond.*?|lo"}[5m]))​​：

当然我们还可以根据网卡设备进行分别聚合计算，最后还可以根据自己的需求将结果进行单位换算。

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。