監控插件SkyWalking(一)原理

一、介紹

1、簡介

SkyWalking 是一個 開源的 APM(Application Performance Monitoring,應用性能監控)和分布式追蹤系統,主要用于監控、追蹤、分析分布式系統中的調用鏈路、性能指標和日志
它由 Apache 基金會托管,特別適合微服務、云原生和容器化架構的應用。

2、核心功能
  • 調用鏈追蹤(Tracing)
    自動收集服務間調用鏈路數據,幫助你知道請求是如何從一個服務流向另一個服務的。

  • 性能監控(Metrics)
    提供 CPU、內存、QPS、響應時間、錯誤率等多維度監控指標。

  • 服務拓撲圖
    自動生成服務間調用關系圖,直觀展示微服務依賴。

  • 日志與鏈路關聯
    將日志與調用鏈整合,方便快速定位問題。

  • 告警
    支持規則配置,當指標異常時發出告警。

3. 典型使用場景
  • 微服務排障:快速找出性能瓶頸和異常調用鏈。

  • 性能分析:分析接口耗時、數據庫慢查詢等。

  • 依賴分析:可視化查看服務之間的依賴關系。

  • 生產監控:配合告警及時發現問題。

二、原理

SkyWalking 通過 Agent + OAP Server + UI 三部分協作:

1、Agent(探針)

以插件方式植入到應用(Java、.NET、Node.js 等),自動攔截 HTTP、RPC、數據庫等調用,采集鏈路數據。

2、OAP Server(后端)

接收 Agent 發送的數據,進行存儲、聚合、分析。

3、UI(前端可視化界面)

展示調用鏈、指標圖表、告警信息等。

三、下載安裝

1、bin下載安裝
https://downloads.apache.org/skywalking/10.2.0/apache-skywalking-apm-9.4.0.tar.gz

解壓后,目錄結構大致是

2、agent獲取

上面下載的不包含agent,手動創建個agent目錄,然后手動下載

https://repo1.maven.org/maven2/org/apache/skywalking/apm-agent-core/9.4.0/apm-agent-core-9.4.0.jar 放進去,再手動創建\agent\config\agent.config配置文件,內容為:

collector.backend_service 要指向你本地或遠程 OAP Server 的 HTTP 端口(默認 11800)。

# 服務名稱,對應你的應用名
agent.service_name=your-app-name# 后端 OAP 服務地址,多個用逗號分隔
collector.backend_service=127.0.0.1:11800# 日志等級,開發調試可用 DEBUG
logging.level=INFO
3、啟動插件
(1)啟動 OAP Server(后臺服務)

SkyWalking 的核心是 OAP Server,它負責接收應用程序上報的監控數據。

# Linux / macOS
./bin/oapService.sh# Windows (cmd)
bin\oapService.bat

默認端口:12800 (gRPC) 和 11800 (HTTP)

日志會輸出在控制臺,你可以看到 OAP server started 的提示。

(2)啟動 Web UI

UI 是前端界面,通過瀏覽器訪問。

# Linux / macOS
./bin/webappService.sh# Windows (cmd)
bin\webappService.bat

訪問?http://localhost:8080/

本文來自互聯網用戶投稿,該文觀點僅代表作者本人,不代表本站立場。本站僅提供信息存儲空間服務,不擁有所有權,不承擔相關法律責任。
如若轉載,請注明出處:http://www.pswp.cn/bicheng/93242.shtml
繁體地址,請注明出處:http://hk.pswp.cn/bicheng/93242.shtml
英文地址,請注明出處:http://en.pswp.cn/bicheng/93242.shtml

如若內容造成侵權/違法違規/事實不符,請聯系多彩編程網進行投訴反饋email:809451989@qq.com,一經查實,立即刪除!

相關文章

【接口自動化測試】---自動化框架pytest

目錄 1、用例運行規則 2、pytest命令參數 3、pytest配置文件 4、前后置 5、斷言 6、參數化---對函數的參數(重要) 7、fixture 7.1、基本用法 7.2、fixture嵌套: 7.3、請求多個fixture: 7.4、yield fixture 7.5、帶參數…

Flink Stream API 源碼走讀 - socketTextStream

概述 本文深入分析了 Flink 中 socketTextStream() 方法的源碼實現,從用戶API調用到最終返回 DataStream 的完整流程。 核心知識點 1. socketTextStream 方法重載鏈 // 用戶調用入口 env.socketTextStream("hostname", 9999)↓ 補充分隔符參數 env.socket…

待辦事項小程序開發

1. 項目規劃功能需求:添加待辦事項標記完成/未完成刪除待辦事項分類或標簽管理(可選)數據持久化(本地存儲)2. 實現功能添加待辦事項:監聽輸入框和按鈕事件,將輸入內容添加到列表。 標記完成/未完…

【C#】Region、Exclude的用法

在 C# 中,Region 和 Exclude 是與圖形編程相關的概念,通常在使用 System.Drawing 命名空間進行 GDI 繪圖時出現。它們主要用于定義和操作二維空間中的區域(幾何區域),常用于窗體裁剪、控件重繪、圖形繪制優化等場景。 …

機器學習 - Kaggle項目實踐(3)Digit Recognizer 手寫數字識別

Digit Recognizer | Kaggle 題面 Digit Recognizer-CNN | Kaggle 下面代碼的kaggle版本 使用CNN進行手寫數字識別 學習到了網絡搭建手法學習率退火數據增廣 提高訓練效果。 使用混淆矩陣 以及對分類出錯概率最大的例子單獨拎出來分析。 最終以99.546%正確率 排在 86/1035 …

新手如何高效運營亞馬遜跨境電商:從傳統SP廣告到DeepBI智能策略

"為什么我的廣告點擊量很高但訂單轉化率卻很低?""如何避免新品期廣告預算被大詞消耗殆盡?""為什么手動調整關鍵詞和出價總是慢市場半拍?""競品ASIN投放到底該怎么做才有效?""有沒有…

【論文閱讀 | CVPR 2024 | UniRGB-IR:通過適配器調優實現可見光-紅外語義任務的統一框架】

論文閱讀 | CVPR 2024 | UniRGB-IR:通過適配器調優實現可見光-紅外語義任務的統一框架?1&&2. 摘要&&引言3.方法3.1 整體架構3.2 多模態特征池3.3 補充特征注入器3.4 適配器調優范式4 實驗4.1 RGB-IR 目標檢測4.2 RGB-IR 語義分割4.3 RGB-IR 顯著目…

Hyperf 百度翻譯接口實現方案

保留 HTML/XML 標簽結構,僅翻譯文本內容,避免破壞富文本格式。采用「HTML 解析 → 文本提取 → 批量翻譯 → 回填」的流程。百度翻譯集成方案:富文本內容翻譯系統 HTML 解析 百度翻譯 API 集成 文件結構 app/ ├── Controller/ │ └──…

字節跳動 VeOmni 框架開源:統一多模態訓練效率飛躍!

資料來源:火山引擎-開發者社區 多模態時代的訓練痛點,終于有了“特效藥” 當大模型從單一語言向文本 圖像 視頻的多模態進化時,算法工程師們的訓練流程卻陷入了 “碎片化困境”: 當業務要同時迭代 DiT、LLM 與 VLM時&#xff0…

配置docker pull走http代理

之前寫了一篇自建Docker鏡像加速器服務的博客,需要用到境外服務器作為代理,但是一般可能沒有境外服務器,只有http代理,所以如果本地使用想走代理可以用以下方式 臨時生效(只對當前終端有效) 設置環境變量…

OpenAI 開源模型 gpt-oss 本地部署詳細教程

OpenAI 最近發布了其首個開源的開放權重模型gpt-oss,這在AI圈引起了巨大的轟動。對于廣大開發者和AI愛好者來說,這意味著我們終于可以在自己的機器上,完全本地化地運行和探索這款強大的模型了。 本教程將一步一步指導你如何在Windows和Linux…

力扣-5.最長回文子串

題目鏈接 5.最長回文子串 class Solution {public String longestPalindrome(String s) {boolean[][] dp new boolean[s.length()][s.length()];int maxLen 0;String str s.substring(0, 1);for (int i 0; i < s.length(); i) {dp[i][i] true;}for (int len 2; len …

Apache Ignite超時管理核心組件解析

這是一個非常關鍵且設計精巧的 定時任務與超時管理組件 —— GridTimeoutProcessor&#xff0c;它是 Apache Ignite 內核中負責 統一調度和處理所有異步超時事件的核心模塊。&#x1f3af; 一、核心職責統一管理所有需要“在某個時間點觸發”的任務或超時邏輯。它相當于 Ignite…

DAY 42 Grad-CAM與Hook函數

知識點回顧回調函數lambda函數hook函數的模塊鉤子和張量鉤子Grad-CAM的示例# 定義一個存儲梯度的列表 conv_gradients []# 定義反向鉤子函數 def backward_hook(module, grad_input, grad_output):# 模塊&#xff1a;當前應用鉤子的模塊# grad_input&#xff1a;模塊輸入的梯度…

基于 NVIDIA 生態的 Dynamo 風格分布式 LLM 推理架構

網羅開發&#xff08;小紅書、快手、視頻號同名&#xff09;大家好&#xff0c;我是 展菲&#xff0c;目前在上市企業從事人工智能項目研發管理工作&#xff0c;平時熱衷于分享各種編程領域的軟硬技能知識以及前沿技術&#xff0c;包括iOS、前端、Harmony OS、Java、Python等方…

《吃透 C++ 類和對象(中):拷貝構造函數與賦值運算符重載深度解析》

&#x1f525;個人主頁&#xff1a;草莓熊Lotso &#x1f3ac;作者簡介&#xff1a;C研發方向學習者 &#x1f4d6;個人專欄&#xff1a; 《C語言》 《數據結構與算法》《C語言刷題集》《Leetcode刷題指南》 ??人生格言&#xff1a;生活是默默的堅持&#xff0c;毅力是永久的…

Python 環境隔離實戰:venv、virtualenv 與 conda 的差異與最佳實踐

那天把項目部署到測試環境&#xff0c;結果依賴沖突把服務拉崩了——本地能跑&#xff0c;線上不能跑。折騰半天才發現&#xff1a;我和同事用的不是同一套 site-packages&#xff0c;版本差異導致運行時異常。那一刻我徹底明白&#xff1a;虛擬環境不是可選項&#xff0c;它是…

[ 數據結構 ] 時間和空間復雜度

1.算法效率算法效率分析分為兩種 : ①時間效率, ②空間效率 時間效率即為 時間復雜度 , 時間復雜度主要衡量一個算法的運行速度空間效率即為 空間復雜度 , 空間復雜度主要衡量一個算法所需要的額外空間2.時間復雜度2.1 時間復雜度的概念定義 : 再計算機科學中 , 算法的時間復雜…

一,設計模式-單例模式

目的設計單例模式的目的是為了解決兩個問題&#xff1a;保證一個類只有一個實例這種需求是需要控制某些資源的共享權限&#xff0c;比如文件資源、數據庫資源。為該實例提供一個全局訪問節點相較于通過全局變量保存重要的共享對象&#xff0c;通過一個封裝的類對象&#xff0c;…

AIStarter修復macOS 15兼容問題:跨平臺AI項目管理新體驗

AIStarter是全網唯一支持Windows、Mac和Linux的AI管理平臺&#xff0c;為開發者提供便捷的AI項目管理體驗。近期&#xff0c;熊哥在視頻中分享了針對macOS 15系統無法打開AIStarter的修復方案&#xff0c;最新版已完美兼容。本文基于視頻內容&#xff0c;詳解修復細節與使用技巧…