云计算平台管理的三大利器Nagios、Ganglia和Splunk
综合利用Nagios、Ganglia和Splunk搭建起的云计算平台监控体系,具备错误报警、性能调优、问题追踪和自动生成运维报表的功能。有了这套系统,就可轻松管理Hadoop/HBase云计算平台。
云计算早已不是停留在概念阶段了,各大公司都购买了大量的机器,开始正式的部署和运营。而动辄上百台的性能强劲的服务器,为运营管理带来了巨大的挑战。
- 如果没有方便的监控报警平台,对于管理员而言犹如噩梦,每天都将如救火队员一样,飞快地敲击键盘,用原始的Unix命令在多台机器中疲于奔命。
- 如果没有好的日志管理平台,对于开发者Troubleshooting更是一件泪流满面的事情。
- 而如果你是运维团队的总负责人,简洁清晰的Report则非常重要。Stakeholder们动不动就可能问起系统的SLA、机器的利用率等诸多问题,毕竟,公司为此投入了巨大的资金和人力。
朋友们,当我们管理起公司寄予厚望的云计算平台时,当我们面对如此多充满挑战的实际问题时,该怎么办?
概述
我们在搭建趋势云计算平台时,遇到了很多的问题和挑战。开始搭建时,第一次来了那么多性能强劲的机器,我们在感到兴奋的同时,也不免有些顾虑。大家坐在一起讨论,问题就列了满满一白板。
- 出了问题怎么办,有没有预警机制?
- 有没有可视化的管理界面?
- 管理平台需要自己开发吗?开发难度有多大?
- 有没有开源的管理工具?
- 那么多日志分布在各个机器上,有没有更有效的方法管理?
- 能否生成好的报表?
- 机器宕机,管理员能否收到短信通知?
- 如何做性能调优?
- 扩容升级时,能否给出依据?
带着这些问题,我们开始了自己的云计算平台管理和运营之旅,一路走来,收获颇丰。现在基本上形成了如图1所示的一整套云计算平台监控体系。
图1 云计算平台监控架构
在这个系统中,我们综合利用了Nagios、Ganglia和Splunk,搭建起云计算平台监控体系,使其具备错误报警、性能调优、问题追踪和自动生成运维报表的功能。有了这套系统,我们终于能够轻松管理Hadoop/HBase云计算平台了。接下来将简单介绍它们的特点和功能。
Nagios:云计算平台的智能报警器
总不能天天盯着机器看吧,因此我们首先关心的是机器的监控与报警。最理想的境界是:如果机器出故障了,我能第一时间处理;如果机器没有问题(最好永远没有问题),我能去喝茶、钓鱼和睡大觉。
发现机器有没有问题,对我们而言不是什么难事。写个脚本,Ping一下IP,Telnet每台机器的Service端口,如果增加了新机器就改改配置即可。但这样也太原始了吧,可视化效果差,不好维护,没有层次,不好管理,出不来报表,总不能老是用Excel人工写报表吧。有没有更好的方法呢?
有,你可以用Nagios。
Nagios是一个可运行在Linux/Unix平台之上的开源监视系统,可以用来监视系统运行状态和网络信息。Nagios可以监视所指定的本地或远程主机以及服务,同时提供异常通知功能。
Nagios可以提供以下几种监控功能。
- 监控网络服务(SMTP、POP3、HTTP、NNTP、Ping等)。
- 监控主机资源(处理器负荷、磁盘利用率等)。
- 简单的插件设计使得用户可以方便地扩展自己服务的检测方法。
- 并行服务检查机制。
- 具备定义网络分层结构的能力,并使用“parent”主机定义来表达网络主机间的关系,这种关系可被用来发现和明晰主机宕机或不可达状态。
- 当服务或主机问题产生与解决时将告警发送给联系人(通过电子邮件、短信、用户定义方式)。
- 具备定义事件处理功能,可以在主机或服务的事件发生时获取更多问题定位。
- 自动的日志回滚。
- 可以支持并实现对主机的冗余监控。
- 可选的Web界面用于查看当前的网络状态、通知和故障历史、日志文件等。
Nagios最好用的地方就是它将这些每天管理员做的工作自动化,你只需设定好要监听的端口即可,它会默默地工作,帮忙定时地去检测服务端口的状态,一旦发现问题,会及时发出报警。报警可以是电子邮件也可以是手机,从而使得管理员第一时间就能收到系统的状况。
Nagios的报表功能也很强大。管理员可以很容易地得到每天、每周和每月的Service运行状况。
图2 SPN 后台运行的所有Service的当前状态
如图2所示,红色部分清楚地标注有问题的机器,点开链接,就可以得到有问题机器的情况。虽然在HBase中,几台Region Server宕机不会对整体服务产生大的影响,但多少会影响到系统的Performance。而且,如果某几台Region Server频繁宕机,对整个系统的稳定性也会产生不好的影响。有了Nagios,我们可以快速定位有问题的机器,及时地将一些机器移除出HBase系统,待调整好了再上线运行,以保证系统的稳定性。
现在,Nagios已经成为了很多公司必备的监控工具。只需要简单地配置,就可以实现强大的功能,将管理员从日常烦琐的工作中解放出来。
有了Nagios,哪怕就是管理上千台机器,也不会手忙脚乱,而是有一种统领千军、运筹帷幄的感觉。
Ganglia:看到云计算平台的方方面面
Nagios的确不错,但你是不是真的可以喝茶、钓鱼、睡大觉呢?显然还不行。有了Nagios,你基本上可以做个优秀的救火队员,能在事发第一时间到达现场、处理事故。但如何防患于未然,真正做到运筹帷幄、游刃有余呢?
我们需要更加精确的数据,能够看到云计算平台的方方面面,能根据这些数据,做出性能调整、升级、扩容等的决策,从而保证Service能够满足不断增长的业务需求。
这时候,你需要Ganglia。
Ganglia是UC Berkeley发起的一个开源实时监视项目,用于测量数以千计的节点,为云计算系统提供系统静态数据以及重要的性能度量数据。Ganglia系统基本包含以下三大部分。
Gmond:Gmond运行在每台计算机上,它主要监控每台机器上收集和发送度量数据(如处理器速度、内存使用量等)。
Gmetad:Gmetad运行在Cluster的一台主机上,作为Web Server,或者用于与Web Server进行沟通。
Ganglia Web前端:Web前端用于显示Ganglia的Metrics图表。
Hadoop和HBase本身对于Ganglia的支持非常好。通过简单的配置,我们可以将Hadoop和HBase的一些关键参数以图表的形式展现在Ganglia的Web Console上。这些对于我们洞悉Hadoop和HBase的内部系统状态有很大的帮助。
在Hadoop的conf文件夹下面,找到hadoop-metrics.properties,配置好Ganglia的Server即可。这里要注意,Ganglia 3.0和Ganglia 3.1的区别,它们使用了不同的class。
dfs.class=org.apache.hadoop.metrics.ganglia.GangliaContext31
dfs.period=10
dfs.servers={Ganglia_Server}:8649
有了这些图表,Hadoop和HBase就不再是一个黑盒。无论是Hadoop的Namenode、Datanode,还是HBase的MasterServer、RegionServer任何时刻的情况,都会一目了然。由于图标的跨度可以是小时、天、月甚至是年,这样,就可以非常方便地定期生成周报、月报和年报。同时,根据图中Metrics的状况,我们可以通过调整参数、增加内存和硬盘、增加机器等的方法调整单个机器或者整个Service的性能。
图3 Hadoop其中一个DataNode的Metrics
Nagios 最大的问题在于不能洞悉到Service内部的状况。像Hadoop、HBase这样的分布式系统,一个节点的故障并不等于整个Service的故障,影响的只是Service的性能。所以,在测定Service的SLA时,我们不能以某一台机器的故障作为Service故障的评判标准。比如在我们的HBase SLA的设定上,我们定义了HBase Service完全不能工作的评判标准如下。
- Master Server 联系不上。
- 所有RegionServer 都无法联系上。
- -ROOT- 表无法访问。
- .META. 表无法访问。
图4 Ganglia对Hadoop/HBase使用情况的监测
那么,我们就可以根据这个规则定义SLA,通过定期调用HBaseAdmin相应API ,将测试的结果发给Ganglia。采用同样的方法,我们还可以自定义一些规则,监视HBase Master、Zookeeper等的情况。
通过这些方法,我们完全能够针对Hadoop/HBase使用的实际情况,做出Service级别而不是机器级别的监控系统并生成报表。
此外,Ganglia还可以通过Server反馈回来的Load信息,给出各个机器的Load情况,给我们做升级和扩容提供依据。
如图5所示,Ganglia分别会用不同颜色,标注出当前时刻的机器Load分布情况。如果Load过重,就应该检查机器的具体使用情况。
图5 HBase Cluster Load Metrics
Ganglia的安装配置,可以参考:http://www.spnguru.com/?p=604。
Splunk:像查Google一样查日志
有了Nagios和Ganglia,算是成功了一大半。作为一名优秀的管理员,我们需要具备一定的Troubleshooting能力,对一些常见的问题能给出解决方案。那么,对日志的分析就必不可少。
但Hadoop/HBase的日志分布在各个机器上面,而日志之间关联性强。Client端的错误有可能是Region Server引起,而Region Server的错误有可能是Zookeeper导致。有没有一个统一的日志管理平台呢?
众里寻它千百度,蓦然回首,我们找到了Splunk——日志界的Google。
很遗憾,Splunk不是开源的,但它的免费版本提供每天500MB日志索引。如果数据量较小,通过定义好Log的级别,基本上也能满足需求。但对于数据量较大的公司,就有些捉襟见肘。
Splunk支持AdHoc的日志搜索,而且可以与Nagios配合使用。比如Nagios报警某台RegionServer端口不可达,我们收到Notification后,登录Splunk,直接搜索shutdown和host名称,找到RegionServer退出的日志。点击详细信息,分析日志,就能快速定位问题。如图6所示。
图6 Splunk与Nagios配合使用进行日志搜索
对Hadoop和HBase有了进一步了解后,我们可以利用Splunk实时检测日志中的关键字,定义关键字规则,如监控“shutdown”、“quit”、“ERROR”、“Zookeeper Session Expired”等,一旦出现,利用Splunk的Notification功能,发出邮件通知管理员,管理员通过Splunk定位问题,就可以在系统真正出现问题之前,对系统进行调整,防患于未然。
具体Splunk的设置,可以参考:http://www.spnguru.com/?p=122。
总结
搭建一套云计算平台,强大的监控管理系统是必不可少的。当然,任何工具都不是万能的,在实际维护过程中,我们也发现,Nagios和Splunk经常出现误报,如果规则定义得不好,大量的警报邮件如潮水一样涌来,反而掩盖了真正的问题。可以说,在云计算平台的运维管理上,没有一劳永逸的事情,随着规模的不断增大和应用的不断多样化,需要大家不断地实践和总结。
作者杨俊华,趋势科技研发中心资深开发工程师,2009年至今一直从事Hadoop和HBase开发和运维工作,关注Hadoop开源社区的发展。
原文链接:http://www.programmer.com.cn/11477/
云计算平台管理的三大利器Nagios、Ganglia和Splunk相关推荐
- [网文摘录]云计算平台管理
网络好文,摘自:http://www.programmer.com.cn/11477/ 文 / 杨俊华 综合利用Nagios.Ganglia和Splunk搭建起的云计算平台监控体系,具备错误报警.性 ...
- 三种监控平台配置及其整合(cacti nagios ganglia)
三种软件的官方文档地址: cacti:http://docs.cacti.net/manual:087:1_installation#installation nagios:http://www.na ...
- 云计算管理三利器:Nagios、Ganglia和Splunk
概述 我们在搭建趋势云计算平台时,遇到了很多的问题和挑战.开始搭建时,第一次来了那么多性能强劲的机器,我们在感到兴奋的同时,也不免有些顾虑.大家坐在一起讨论,问题就列了满满一白板. 出了问题怎么办,有 ...
- K8S 快速入门(一)虚拟化、容器化构建云计算平台的基本概念及原理解析
本章主题 1.认识kubernetes (k8s) 在企业中应用场景? ----- 为什么要学习K8s?? 2.云技术(云计算平台) - 虚拟化及虚拟化基本概念及原理 3.云技术(云计算平台) - 容 ...
- 中外对比:国内云计算平台的三大特点
本文讲的是中外对比:国内云计算平台的三大特点,云计算是用户需求不断的发展自然产生的服务模式,同时也是绿色IT的有利支撑.云计算的发展和数据的大爆炸有着必然的联系,大数据时代的到来使得企业对于IT设施的 ...
- Linux运维学习笔记之三十一:监控利器Nagios实战
第四十二章 监控利器Nagios实战 一.Nagios介绍 1.哪些内容需要监控呢? (1)本地资源 a.负载:uptime: b.CPU:top,sar,cpu温度: c.磁盘:df: d.内存:f ...
- 2017全球十大云计算平台市场占有率排行榜
从Google首席执行官埃里克·施密特(Eric Schmidt)首次提出" 云计算 "(cloud computing)的概念到现在,云计算已经走过了炒作期和实践期,已经处于成熟 ...
- 决战云时代--“微服务”连接企业级应用(SaaS)与云计算平台之间最后一公里
一.背景 Martin Fowler 在 2014 给出了"微服务"架构(microservice)定义,现以是国内软件产业界最火热的名词之一.无论是刚毕业的学生,还是做应用开发的 ...
- 揭秘中国第一个自主产权的“云计算”平台
空荡荡的机房内,立着两台3米长.1米宽.2米高的黑色大铁箱.铁箱的内部,密布着108台抽屉般大小的服务器,它们联袂组成了一台超级电脑,这就是云平台的真面目. 一条条密密麻麻的数据线更让人感受到云平台的 ...
最新文章
- Linux下使用Vim粘贴文本错乱问题解决
- junit5_使用junit做其他事情
- ASP.NETserver控件使用之Reportviewer 报表
- Boost:实现同步客户端
- scala中使用Option、Some、None,避免使用null
- mysql 导入json_JsonToMysql(json导入mysql数据库工具)
- c++ 多重背包状态转移方程_【考前再叮嘱】陌生方程式书写
- [CodeForces gym 102956 D] Bank Security Unification(位运算优化dp)
- 闲鱼:3月24日至3月30日冻结涉欺诈用户1.8万个
- ESFramework网络通信框架介绍之(5)――消息分派器IMessageDispatcher
- 游戏设计3C之一——角色
- windows cmd 提示 ‘系统找不到指定路径‘ 提示 ‘ECHO 处于关闭状态‘
- DIY NAS服务器之OMV 5.6入坑指南(一)-openmediavalut 5.6安装
- pacman 查询_Pacman常用命令 文内搜索吧
- java课程综合实训报告_Java ME综合实训报告
- Java多线程超时判断
- linux设置时间大全
- 一旦确诊青光眼无法彻底根治,需进行终身防治
- Win11远程桌面怎么用?Win11家庭版开启远程桌面
- 抽象类、接口、Objext 详解
热门文章
- Spring Boot - 自动配置实现原理
- 白话Elasticsearch64-zen discovery集群发现机制
- 并发编程-08安全发布对象之发布与逸出
- Quartz- Quartz API以及Jobs 和Triggers介绍
- 数据结构-栈(C语言代码)
- php将换行变为 p 标签,editplus 将文本换行替换为p标签
- python线程池超过最大数量_python自定义线程池控制线程数量
- IDEA REST Client IDEA自带的接口调试工具
- docker-engine安装好了,下一步该做什么?
- python语句first、*middles_Python语句print('%d%%%d'%(3/2, 3%2))的运行结果是( 1 )。_学小易找答案...