Matt Bostock在SRECON 2017歐洲大會的演講中，介紹了如何使用Prometheus實現對CloudFlare分布于全球的架構和網絡的監控。Prometheus是一種基于度量進行監控的工具，CloudFlare是一家CDN、DNS和DDoS防御（Mitigation）服務提供商。

\\

基于度量的開源監控項目Prometheus最早推出于2012年，它是CNCF（原生云計算基金會，Cloud Native Computing Foundation）的成員。Prometheus的動態配置和查詢語言PromQL支持用戶編寫對告警的復雜查詢。CloudFlare提供CDN（內容分發網絡，Content Delivery Network）、分布式DNS和DDoS防御服務，這意味著其架構已擴展到全球范圍。監控這樣的架構及網絡無疑是一件復雜的工作。在演講中，Bostock介紹了Prometheus在其中發揮的作用。在CloudFlare，前期部署的Nagios的職能已有87%被Prometheus所替代。

\\

CloudFlare提供類似于Anycast所提供的CDN服務。Anycast DNS使得DNS查詢可以被最接近用戶的服務器所處理，Anycast HTTP使得內容可以從距離用戶最近的服務提供。作為原始Web站點和用戶之間的中介，CloudFlare還檢查訪問者的流量中是否存在有威脅的模式。它提供了跨150個國家的116個數據中心，每秒處理500萬次HTTP請求，120萬次DNS請求，占全球因特網請求的10%。每個入網點（PoP，Point-Of-Presence）提供HTTP、DNS、DDoS防御和鍵值存儲服務。截至演講時，有188臺運行在生產環境中的Prometheus服務器需要監控。

\\

\\

圖片來源：https://promcon.io/2017-munich/talks/monitoring-cloudflares-planet-scale-edge-network-with-prometheus/

\\

Prometheus是基于度量的，也就是說它采集時序度量，并基于度量構建其余的特性。它工作于Pull模式下，每臺監控服務器運行一個稱作“exporter”的進程，通過HTTP發布所采集的度量。CloudFlare為每個服務域部署了一個exporter，使用它們采集系統（例如CPU、內存、TCP、磁盤等）、網絡（例如HTTP、Ping等）、本地匹配（錯誤信息）和容器/命名空間的度量。其中，exporter使用了Google的開源項目cadvisor采集容器/命名空間的度量。Prometheus并不會永久地保存所有數據，因為它更側重于“此時此地”（here-and-now）的監控情況。數據不做下采樣，并在CloudFlare配置中保存15天。

\\

在CloudFlare的核心數據中心，服務包括日志訪問、分析業務，以及使用Marathon、Mesos、Chronos、Docker、Sentry、Ceph（用于存儲）、Kafka、Spark、Elasticsearch和Kibana等技術棧構建的API。Prometheus在每個PoP通過exporter查詢服務器和服務獲取度量。每個PoP的高可用性是由使用多個Prometheus服務提供的。

\\

Prometheus的報警管理稱為“Alertmanager”。CloudFlare的部署中包括一個Alermanager，由每個Prometheus服務器推送事件，并考慮了配置的高可用性。報警基于歷史數據做測試，確保服務的正確執行的。Bosun等新興監控工具也包括類似的特性。為提供更好的報警服務，其它的一些特性還包括了描述性的名稱、簡單易用性和一些可使接收者立刻采取行動的信息。

\\

CloudFlare團隊使用jiralerts實現JIRA工單系統與Alertmanager的集成。JIRA可以用戶定制工作流，使得報警監控中可以包括一些監控工作流特定的用戶定制狀態。另一個稱為alertmanagere2s的工具接收報警，并將報警信息集成到Elasticsearch索引中，用于進一步的檢索和分析。CloudFlare已為Alertmanger構建了自己的儀表盤，稱為“unsee”。

\\

那么Prometheus是如何監控自身情況的？這有兩種實現方法。一種是混合方法，即在同一數據中心中，由一個Prometheus去監控另一個Prometheus。另一種方法是自頂向下的方法，由頂層Prometheus服務器監控位于數據中心層面的Prometheus服務器。

\\

CloudFlare SRE團隊的經驗是，盡早對環境和集群等的標簽和組身份做標準化；其它一些經驗是關于如何創建可視化，以及從同行和利益相關者生成買入。經驗指出，團隊的盡早參與將有助于服務與監控系統的更快整合。而報警本身則需要多次迭代進行調整和改進，這是一個開展中的過程。

\\

查看英文原文： Monitoring Cloudflare's Global Network Using Prometheus