skywalking使用方法_基于SkyWalking的监控系统安装与使用教程 PDF 下载
主要内容:
监控系统
随着企业经营规模的扩大,以及对内快速诊断效率和对外服务品质的追求,对于业务系统的掌控度的要求越来越高,主要体现在:
对于第三方依赖的监控,实时/准实时了解第三方的健康状况/服务品质,降低第三方依赖对于自身系统的扰动(服务降级、故障转移)。
对于容器的监控,实时/准实时的了解应用部署环境(CPU、内存、进程、线程、网络、带宽)情况,以便快速扩容/缩容、流量控制、业务迁移。
业务方对于自己的调用情况,方便作容量规划,同时对于突发的请求也能进行异常告警和应急准备。
自己业务的健康、性能监控,实时/准实时的了解自身的业务运行情况,排查业务瓶颈,快速诊断和定位异常,增加对自己业务的掌控力。
在这种情况下,一般都会引入APM(Application Performance Management & Monitoring)系统,通过各种探针采集数据,收集关键指标,同时搭配数据呈现和监控告警,能够解决上述的大部分问题。
然而随着RPC框架、微服务、云计算、大数据的发展,同时业务的规模和深度相比过往也都增加了很多,一次业务可能横跨多个模块/服务/容器,依赖的中间件也越来越多,其中任何一个节点出现异常,都可能导致业务出现波动或者异常,这就导致服务质量监控和异常诊断/定位变得异常复杂,于是催生了新的业务监控模式:调用链跟踪。能够分布式的抓取多个节点的业务记录,并且通过统一的业务id(traceId,messageId,requestId等)将一次业务在各个节点的记录串联起来,方便排查业务的瓶颈或者异常点。
7.1监控目标
维度详情
系统监控CPU,内存,磁盘,硬盘IO,系统负载等
服务监控apache,nginx,tomcat,redis,TCP连接数等
性能监控网站性能,服务器性能,数据库性能等
日志监控访问日志,错误日志等
安全监控用户登录数,本地文件改动,passwd文件变化等
网络监控端口,SMTP,网络使用率,网络入流量,网络出流量等
搞清楚要监控对象之后,需要监控具体哪些指标呢?通常有以下几个业务指标需要重点监控:
请求量
请求量监控分为两个维度,一个是实时请求量,一个是统计请求量。实时请求量用 QPS(Queries Per Second)即每秒查询次数来衡量,它反映了服务调用的实时变化情况。统计请求量一般用 PV(Page View)即一段时间内用户的访问量来衡量,比如一天的 PV 代表了服务一天的请求量,通常用来统计报表。
响应时间
大多数情况下,可以用一段时间内所有调用的平均耗时来反映请求的响应时间。但它只代表了请求的平均快慢情况,有时候我们更关心慢请求的数量。为此需要把响应时间划分为多个区间,比如 0~10ms、10ms~50ms、50ms~100ms、100ms~500ms、500ms 以上这五个区间,其中 500ms 以上这个区间内的请求数就代表了慢请求量,正常情况下,这个区间内的请求数应该接近于 0;在出现问题时,这个区间内的请求数会大幅增加,可能平均耗时并不能反映出这一变化。除此之外,还可以从 P90、P95、P99、P999 角度来监控请求的响应时间,比如 P99 = 500ms,意思是 99% 的请求响应时间在 500ms 以内,它代表了请求的服务质量,即 SLA。
错误率
错误率的监控通常用一段时间内调用失败的次数占调用总次数的比率来衡量,比如对于接口的错误率一般用接口返回错误码为 503 的比率来表示。
7.2 APM选型
目前主要的一些APM工具有: Cat、Zipkin、Pinpoint、SkyWalking等。这里主要介绍SkyWalking,它是一款优秀的国产APM系统,被用于追踪、监控和诊断分布式系统,特别是使用微服务架构、云原生或容积技术,可视化一体化解决方案。
它的主要特性为:
1)多种监控手段,语言探针和service mesh。
2)多语言自动探针,Java, .Net Core, PHP, NodeJS, Golang, LUA。
3)轻量高效,不需要大数据。
4)模块化,UI、存储、集群管理多种机制可选。
5)支持告警。
6)优秀的可视化方案。
7.3 SkyWalking
7.3.1 基础介绍
7.3.1.1 模块构成
SkyWalking进行了精准的领域模型划分,共分为3个部分:
Agent:采集tracing(调用链数据)和metric(指标)信息并上报。
OAP:收集tracing和metric信息通过analysis core模块将数据放入持久化容器中(ES,H2,mysql等),并进行二次统计和监控告警。
WebApp:前后端分离,前端负责呈现,并将查询请求封装为graphQL提交给后端,后端通过ribbon做负载均衡转发给OAP集群,再将查询结果渲染展示。
7.3.1.2数据容器
由于SkyWalking并没有自己定制的数据容器或者使用多种数据容器增加复杂度,而是主要使用ElasticSearch,所以数据容器的特性以及自己数据结构基本上就限制了业务的上限,以ES为例:
ES查询功能异常强大,在数据筛选方面碾压其他所有容器,在数据筛选潜力巨大。
支持sharding分片和replicas数据备份,在高可用/高性能/大数据支持都非常好。
支持批量插入,高并发下的插入性能大大增强。
数据密度低,源于ES会提前构建大量的索引来优化搜索查询,这是查询功能强大和性能好的代价,但是链路跟踪往往有非常多的上下文需要记录,所以SkyWalking把这些上下文二进制化然后通过Base64编码放入data_binary字段并且将字段标记为not_analyzed来避免进行预处理建立查询索引。
总体来说,SkyWalking尽量使用ES在大数据和查询方面的优势,同时尽量减少ES数据密度低的劣势带来的影响,从目前来看,ES在调用链跟踪方面是不二的数据容器,而在数据指标方面,ES也能中规中矩的完成业务,虽然和时序数据库相比要弱一些,但在PB级以下的数据支持也不会有太大问题。
7.3.1.3数据结构
如果说数据容器决定了上限,那么数据结构则决定了实际到达的高度。SkyWalking的数据结构主要为:
1)数据维度(ES索引为skywalking*inventory)
service:服务
instance:实例
endpoint:接口
network_adress:外部依赖
2)数据内容
原始数据
调用链跟踪数据(调用链的trace信息,ES索引为skywalking_segment,Skywalking主要的数据消耗都在这里)
指标(主要是jvm或者envoy的运行时指标,例如ES索引skywalking_instance_jvm_cpu)
二次统计指标
指标(按维度/时间二次统计出来的例如pxx、sla等指标,例如ES索引skywalking_database_access_p75_month)
数据库慢查询记录(数据库索引:skywalking_top_n_database_statement)
关联关系(维度/指标之间的关联关系,ES索引为skywalking*relation_*)
skywalking使用方法_基于SkyWalking的监控系统安装与使用教程 PDF 下载相关推荐
- 双目估计方法_基于双目视觉的自动驾驶技术
不小心删掉的文章,要求补上了.其实双目视觉主要问题是立体匹配和视差计算,最新的讨论见: 黄浴:基于深度学习的双目匹配和视差估计zhuanlan.zhihu.com 另外,目标检测的双目视觉技术讨论如 ...
- 大学生java项目创意申请表_基于java ee的大学生作品展示系统.pdf
基于java ee的大学生作品展示系统.pdf 还剩 4页未读, 继续阅读 下载文档到电脑,马上远离加班熬夜! 亲,喜欢就下载吧,价低环保! 内容要点: 第34卷第3期 2015年6月 南昌工程学院学 ...
- java图书销售系统_基于springboot的小型图书销售系统 源码下载
源码介绍 本系统采用B/S架构,服务器用的是tomcat服务器,数据库使用mysql,数据库连接池使用的是阿里开源的druid连接池,实现了前后端分离,后端框架基于spring boot整合mybat ...
- java中间件源码_《Java中间件技术及其应用开发》PDF下载
资源名称:<Java中间件技术及其应用开发>PDF 下载 < 内容简介······ 本书使用丰富的案例介绍了使用Java技术进行中间件编程的方法及技巧,包括JSP.Java serV ...
- python 赋值方法_基于Python List的赋值方法
Python中关于对象复制有三种类型的使用方式,赋值.浅拷贝与深拷贝.他们既有区别又有联系,刚好最近碰到这一类的问题,研究下. 一.赋值 在python中,对象的赋值就是简单的对象引用,这点和C++不 ...
- 矩阵计算的理论与方法_基于微带线的相位补偿方法分析
摘要 通过引入金丝键合线等效模型,建立微带线旁边增加片式电容并用金丝键合线互连后的相位补偿电路物理模型.提取金丝键合线的并联电容.串联电感.串联电阻等参数,计算片式电容的容值参数,推导相位补偿电路物理 ...
- js浏览器回到顶部方法_基于JS实现回到页面顶部的五种写法(从实现到增强)
写法 [1]锚点 使用锚点链接是一种简单的返回顶部的功能实现.该实现主要在页面顶部放置一个指定名称的锚点链接,然后在页面下方放置一个返回到该锚点的链接,用户点击该链接即可返回到该锚点所在的顶部位置 [ ...
- 基于用户兴趣偏好的画像方法_基于客户偏好和产品评论的推荐系统
基于用户兴趣偏好的画像方法 Consumers face a huge challenge today in choosing from numerous alternatives available ...
- cog数据库的使用方法_如何使用Cog监控Chromebook的系统资源
cog数据库的使用方法 While Chromebooks are generally considered "casual use" machines, they continu ...
最新文章
- Spring Cloud Alibaba 新版本发布:众多期待内容整合打包加入!
- 中国药妆行业投资现状与发展策略分析报告2022-2028年
- android中互斥的控件,Android控件之Radiobutton与RadioGroup
- opengl加载显示3D模型ZGL类型文件
- Java黑皮书课后题第7章:**7.3(计算数字的出现次数)编写程序,读取1到100之间的整数,然后计算每个数出现的次数。假定输入0表示结束
- SQL 无限级分类语句
- matlab获得帮助的途径,在MATLAB 中获得帮助的途径 ()。A、帮助浏览器B、help 命令C、lookfor 命令D、模糊查询...
- 关于Spring batch的学习之CSV2DB
- Linux:init0和shutdown -h哪个用来关机比较安全【转载】
- 在doPost,service等方法里配置字符编码过滤器,防止出现中文乱码
- ListView分页操作
- python中index什么意思_index在python中是什么意思
- SEO中的关键词密度该如何布局
- 计算机网络中tdm是什么,8.1 计算机网络FDM TDM计算机网络自学笔记.pdf
- win10 cuda13 pytorch pycharm
- WIN7 直装版安装教程
- C#与C/C++的交互
- Apache/.htaccess的Order Allow,Deny 详解
- Matlab之选取特定区域的坐标点
- ☼ 什么是DST以及它对IT设备、软件的影响 ☼
热门文章
- Qt工作笔记-通过信号与槽实现定时器
- 数据结构-图的进阶代码
- 多线程 转账_多线程编程不可错过——彻底理解volatile
- php集成环境还需要mysql吗_是选择php集成环境好还是分开安装的原生版好
- python生成目录树_Python生成目录树
- QT链接DLL库问题记录
- 前端取消置顶功能_短说开发日报:首页推荐频道刷新后首页置顶的数据没有加载出来的问题已修复(9.22周二)...
- python网络爬虫_一篇文章教会你利用Python网络爬虫获取穷游攻略
- 基本汇编语言学习结构
- Valgrind概述