暂无图片
暂无图片
暂无图片
暂无图片
暂无图片
首页 / 开箱即用，Prometheus告警规则配置总结

开箱即用，Prometheus告警规则配置总结

CloudNativeX 2021-07-28
3541

前言

prometheus生态系统由多个组件组成，其中许多组件是可选的。

promethues server：主要获取和存储时间序列数据

exporters：主要是作为agent收集数据发送到prometheus server，不同的数据收集由不同的exporters实现，如监控主机有node-exporters，mysql有MySQL server exporters等

pushgateway：允许短暂和批处理的jobs推送它们的数据到prometheus；由于这类工作的存在时间不够长，所以需要他们主动将数据推送到pushgateway，然后由pushgateway将数据发送的prometheus。

alertmanager：实现prometheus的告警功能。


Prometheus架构：


一、监控主机是否存活

alert: 主机状态
expr: up == 0
for: 1m
labels:
  status: 非常严重
annotations:
  summary: "{{$labels.instance}}:服务器宕机"
  description: "{{$labels.instance}}:服务器延时超过5分钟"
复制

二、监控服务应用是否挂掉

alert: serverDown
expr: up{job="acs-ms"}  ==  0
for: 1m
labels:
  severity: critical
annotations:
  description: 实例：{{ $labels.instance }} 宕机了
  summary: Instance {{ $labels.instance }} down
复制

三、监控接口异常发生情况

alert: interface_request_exception
expr: increase(http_server_requests_seconds_count{exception!="None",exception!="ServiceException",job="acs-ms"}[1m])
  > 0
for: 1s
labels:
  severity: page
annotations:
  description: '实例：{{ $labels.instance }}的{{$labels.uri}}的接口发生了{{ $labels.exception
    }}异常 '
  summary: 监控一定时间内接口请求异常的数量
复制

注：exception!=“ServiceException” 是将一些手动抛出的自定义异常给排除掉。

四、监控接口请求时长

alert: interface_request_duration
expr: increase(http_server_requests_seconds_sum{exception="None",job="acs-ms",uri!~".*Excel.*"}[1m])
  / increase(http_server_requests_seconds_count{exception="None",job="acs-ms",uri!~".*Excel.*"}[1m])
  > 5
for: 5s
labels:
  severity: page
annotations:
  description: '实例：{{ $labels.instance }} 的{{$labels.uri}}接口请求时长超过了设置的阈值：5s，当前值{{
    $value }}s '
  summary: 监控一定时间内的接口请求时长
复制

注: uri!~".Excel." 是将一些接口给排除掉。这个是将包含Excel的接口排除掉。

五、监控系统CPU使用百分比

alert: CPUTooHeight
expr: process_cpu_usage{job="acs-ms"} > 0.3
for: 15s
labels:
  severity: page
annotations:
  description: '实例：{{ $labels.instance }} 的cpu超过了设置的阈值：30%，当前值{{ $value }} '
  summary: 监测系统CPU使用的百分比
复制

六、监控tomcat活动线程占总线程的比例

alert: tomcat_thread_height
expr: tomcat_threads_busy_threads{job="acs-ms"}
  / tomcat_threads_config_max_threads{job="acs-ms"} > 0.5
for: 15s
labels:
  severity: page
annotations:
  description: '实例：{{ $labels.instance }} 的tomcat活动线程占总线程的比例超过了设置的阈值：50%，当前值{{ $value
    }} '
  summary: 监控tomcat活动线程占总线程的比例统内存使用情况
复制

七、监控系统内存使用情况

alert: 内存使用
expr: round(100- node_memory_MemAvailabl
for: 1m
labels:
  severity: warning
annotations:
  summary: "内存使用率过高"
  description: "当前使用率{{ $value }}%"
复制

八、监控系统IO使用情况

alert: IO性能
expr: 100-(avg(irate(node_disk_io_time_seconds_total[1m])) by(instance)* 100) < 60
for: 1m
labels:
  status: 严重告警
annotations:
  summary: "{{$labels.mountpoint}} 流入磁盘IO使用率过高！"
  description: "{{$labels.mountpoint }} 流入磁盘IO大于60%(目前使用:{{$value}})"
复制

九、监控tcp连接数使用情况

alert: TCP会话
expr: node_netstat_Tcp_CurrEstab > 1000
for: 1m
labels:
  status: 严重告警
annotations:
  summary: "{{$labels.mountpoint}} TCP_ESTABLISHED过高！"
  description: "{{$labels.mountpoint }} TCP_ESTABLISHED大于1000%(目前使用:{{$value}}%)"
复制

十、监控网络带宽使用情况

alert: 网络
expr: ((sum(rate (node_network_receive_bytes_total{device!~'tap.*|veth.*|br.*|docker.*|virbr*|lo*'}[5m])) by (instance)) / 100) > 102400
for: 1m
labels:
  status: 严重告警
annotations:
  summary: "{{$labels.mountpoint}} 流入网络带宽过高！"
  description: "{{$labels.mountpoint }}流入网络带宽持续2分钟高于100M. RX带宽使用率{{$value}}"
复制

十一、监控api接口访问延迟

alert: APIHighRequestLatency
 expr: api_http_request_latencies_second{quantile="0.5"} > 1
 for: 10m
 annotations:
   summary: "High request latency on {{ $labels.instance }}"
   description: "{{ $labels.instance }} has a median request latency above 1s (current value: {{ $value }}s)"
复制

十二、监控JVM OLD GC耗时告警升级

# 在5分钟里，Old GC花费时间超过30%
alert: old-gc-time-too-much
expr: increase(jvm_gc_collection_seconds_sum{gc="PS MarkSweep"}[5m]) > 5 * 60 * 0.3
for: 5m
labels:
  severity: yellow
annotations:
  summary: "JVM Instance {{ $labels.instance }} Old GC time > 30% running time"
  description: "{{ $labels.instance }} of job {{ $labels.job }} has been in status [Old GC time > 30% running time] for more than 5 minutes. current seconds ({{ $value }}%)"


# 在5分钟里，Old GC花费时间超过50%  
alert: old-gc-time-too-much
expr: increase(jvm_gc_collection_seconds_sum{gc="PS MarkSweep"}[5m]) > 5 * 60 * 0.3
for: 5m
labels:
  severity: orange
annotations:
  summary: "JVM Instance {{ $labels.instance }} Old GC time > 50% running time"
  description: "{{ $labels.instance }} of job {{ $labels.job }} has been in status [Old GC time > 50% running time] for more than 5 minutes. current seconds ({{ $value }}%)"


# 在5分钟里，Old GC花费时间超过80%  
alert: old-gc-time-too-much
expr: increase(jvm_gc_collection_seconds_sum{gc="PS MarkSweep"}[5m]) > 5 * 60 * 0.3
for: 5m
labels:
  severity: red
annotations:
  summary: "JVM Instance {{ $labels.instance }} Old GC time > 80% running time"
  description: "{{ $labels.instance }} of job {{ $labels.job }} has been in status [Old GC time > 80% running time] for more than 5 minutes. current seconds ({{ $value }}%)"
复制

十三、监控磁盘使用率

alert: NodeFilesystemUsage-high
expr: (1-  (node_filesystem_free_bytes{fstype=~"ext3|ext4|xfs"} / node_filesystem_size_bytes{fstype=~"ext3|ext4|xfs"}) ) * 100 > 80
for: 2m
labels:
   severity: warning
annotations:
  summary: "{{$labels.instance}}: High Node Filesystem usage detected"
  description: "{{$labels.instance}}: Node Filesystem usage is above 80% ,(current value is: {{ $value }})"
复制

十四、监控mysql资源相关

alert: MySQL is down
  expr: mysql_up == 0
  for: 1m
  labels:
  severity: critical
  annotations:
  summary: "Instance {{ $labels.instance }} MySQL is down"
  description: "MySQL database is down. This requires immediate action!"
alert: Mysql_High_QPS
  expr: rate(mysql_global_status_questions[5m]) > 500 
  for: 2m
  labels:
  severity: warning
  annotations:
  summary: "{{$labels.instance}}: Mysql_High_QPS detected"
  description: "{{$labels.instance}}: Mysql opreation is more than 500 per second ,(current value is: {{ $value }})"  
alert: Mysql_Too_Many_Connections
  expr: rate(mysql_global_status_threads_connected[5m]) > 200
  for: 2m
  labels:
     severity: warning
  annotations:
  summary: "{{$labels.instance}}: Mysql Too Many Connections detected"
  description: "{{$labels.instance}}: Mysql Connections is more than 100 per second ,(current value is: {{ $value }})"  
alert: Mysql_Too_Many_slow_queries
  expr: rate(mysql_global_status_slow_queries[5m]) > 3
  for: 2m
  labels:
  severity: warning
  annotations:
  summary: "{{$labels.instance}}: Mysql_Too_Many_slow_queries detected"
  description: "{{$labels.instance}}: Mysql slow_queries is more than 3 per second ,(current value is: {{ $value }})"  
alert: SQL thread stopped 
  expr: mysql_slave_status_slave_sql_running == 0
  for: 1m
  labels:
    severity: critical
  annotations:
    summary: "Instance {{ $labels.instance }} SQL thread stopped"
    description: "SQL thread has stopped. This is usually because it cannot apply a SQL statement received from the master."
alert: Slave lagging behind Master
  expr: rate(mysql_slave_status_seconds_behind_master[5m]) >30 
  for: 1m
  labels:
    severity: warning 
  annotations:
    summary: "Instance {{ $labels.instance }} Slave lagging behind Master"
    description: "Slave is lagging behind Master. Please check if Slave threads are running and if there are some performance issues!"
复制

十五、监控Kubernetest资源相关

- alert: PodMemUsage
    expr: container_memory_usage_bytes{container_name!=""} / container_spec_memory_limit_bytes{container_name!=""}  *100 != +Inf > 80
    for: 2m
    labels:
      severity: warning
    annotations:
      summary: "{{$labels.name}}: Pod High Mem usage detected"
      description: "{{$labels.name}}: Pod Mem is above 80% ,(current value is: {{ $value }})"
- alert: PodCpuUsage
    expr: sum by (pod_name)( rate(container_cpu_usage_seconds_total{image!=""}[1m] ) ) * 100 > 80
    for: 2m
    labels:
      severity: warning
    annotations:
      summary: "{{$labels.name}}: Pod High CPU usage detected"
      description: "{{$labels.name}}: Pod CPU is above 80% ,(current value is: {{ $value }})"
      
#探测node节点状态
- alert: node-status
  annotations:
    message: node-{{ $labels.hostname }}故障
  expr: |
    kube_node_status_condition{status="unknown",condition="Ready"} == 1
  for: 1m
  labels:
    severity: warning
  最后保存退出
  再编辑alertmanager-secret.yaml文件，这个文件主要是配置发送邮件或是钉钉，我  
  这里是钉钉方式告警，邮件也配置了，只是没有用到，邮件现在很少看，所以直接
  钉钉告警查看了，把以下内容替换掉原来，如下：
  apiVersion: v1
  
  - alert: JobDown #检测job的状态，持续5分钟metrices不能访问会发给altermanager进行报警
    expr: up == 0  #0不正常，1正常
    for: 5m  #持续时间 ， 表示持续5分钟获取不到信息，则触发报警
    labels:
      severity: error
      cluster: k8s
    annotations:
      summary: "Job: {{ $labels.job }} down"
      description: "Instance:{{ $labels.instance }}, Job {{ $labels.job }} stop "
- alert: PodDown
    expr: kube_pod_container_status_running != 1  
    for: 2s
    labels:
      severity: warning
      cluster: k8s
    annotations:
      summary: 'Container: {{ $labels.container }} down'
      description: 'Namespace: {{ $labels.namespace }}, Pod: {{ $labels.pod }} is not running'
- alert: PodReady
    expr: kube_pod_container_status_ready != 1  
    for: 5m   #Ready持续5分钟，说明启动有问题
    labels:
      severity: warning
      cluster: k8s
    annotations:
      summary: 'Container: {{ $labels.container }} ready'
      description: 'Namespace: {{ $labels.namespace }}, Pod: {{ $labels.pod }} always ready for 5 minitue'
- alert: PodRestart
    expr: changes(kube_pod_container_status_restarts_total[30m])>0 #最近30分钟pod重启
    for: 2s
    labels:
      severity: warning
      cluster: k8s
    annotations:
      summary: 'Container: {{ $labels.container }} restart'
      description: 'namespace: {{ $labels.namespace }}, pod: {{ $labels.pod }} restart {{ $value }} times'


复制

十六、微信、邮件通知模板

global:
  resolve_timeout: 5m
  smtp_smarthost: xxx.xxx.cn:587
  smtp_from: xxxx@xxx.cn
  smtp_auth_username: xxx@xx.cn
  smtp_auth_password: xxxxxxxx


#告警模板
templates:
- '/usr/local/alertmanager/wechat.tmpl'


route:
  #按alertname进行分组
  group_by: ['alertname']
  group_wait: 5m
  #同一组内警报，等待group_interval时间后，再继续等待repeat_interval时间
  group_interval: 5m
  #当group_interval时间到后，再等待repeat_interval时间后，才进行报警
  repeat_interval: 5m
  # 默认微信告警
  receiver: 'wechat'
  # 按部门rd、集群cluster、产品product区分，进行不同方式的告警
  routes:
  - receiver: 'email_rd'
    match_re:
      department: 'rd'
  - receiver: 'email_k8s'
    match_re:
      cluster: 'k8s'
  - receiver: 'wechat_product'
    match_re:
      product: 'app'
receivers:
#微信告警通道
- name: 'wechat'
  wechat_configs:
  - corp_id: 'wwxxxxfdd372e'
    agent_id: '1000005'
    api_secret: 'FxLzx7sdfasdAhPgoK9Dt-NWYOLuy-RuX3I'
    to_user: 'test1|test2'
    send_resolved: true
#邮件告警通道
- name: 'email_tech'
  email_configs:
  - to: muxq@cityhouse.cn
    headers: {"subject":'{{ template "email.test.header" . }}'}
    html: '{{ template "email.test.message" . }}'
    send_resolved: true
- name: 'email_k8s'
  email_configs:
  - to: 'xxx@xx.cn,xx@xx.cn'
    headers: {"subject":'{{ template "email.test.header" . }}'}
    html: '{{ template "email.test.message" . }}'
    send_resolved: true
#微信告警通道
- name: 'wechat_product'
  wechat_configs:
  - corp_id: 'wwxxxxfdd372e'
    agent_id: '1000005'
    api_secret: 'FxLzx7sdfasdAhPgoK9Dt-NWYOLuy-RuX3I'
    to_user: 'test1|test2'
    send_resolved: true
复制

总结

Prometheus以优秀的性能和架构设计，以及完整的生态，赢得了监控界的一致认可，短短的几年时间，便坐上第一把交椅。而其灵活的告警规则配置和第三方告警组件的支持，也功不可没。

👇👇👇点击关注，更多内容持续更新...

               

数据库
文章转载自CloudNativeX，如果涉嫌侵权，请发送邮件至：contact@modb.pro进行举报，并提供相关证据，一经查实，墨天轮将立刻删除相关内容。

评论

相关阅读

2025年4月中国数据库流行度排行榜：OB高分复登顶，崖山稳驭撼十强
墨天轮编辑部
2310次阅读
2025-04-09 15:33:27
数据库国产化替代深化：DBA的机遇与挑战
代晓磊
1070次阅读
2025-04-27 16:53:22
2025年3月国产数据库中标情况一览：TDSQL大单622万、GaussDB大单581万……
通讯员
663次阅读
2025-04-10 15:35:48
数据库，没有关税却有壁垒
多明戈教你玩狼人杀
533次阅读
2025-04-11 09:38:42
国产数据库需要扩大场景覆盖面才能在竞争中更有优势
白鳝的洞穴
511次阅读
2025-04-14 09:40:20
最近我为什么不写评论国产数据库的文章了
白鳝的洞穴
470次阅读
2025-04-07 09:44:54
【活动】分享你的压箱底干货文档，三篇解锁进阶奖励！
墨天轮编辑部
428次阅读
2025-04-17 17:02:24
2025年4月国产数据库中标情况一览：4个千万元级项目，GaussDB与OceanBase大放异彩！
通讯员
417次阅读
2025-04-30 15:24:06
天津市政府数据库框采结果公布，7家数据库产品入选！
通讯员
403次阅读
2025-04-10 12:32:35
优炫数据库成功入围新疆维吾尔自治区行政事业单位数据库2025年框架协议采购！
优炫软件
349次阅读
2025-04-18 10:01:22