Matt Bostock在SRECON 2017欧洲大会的中，介绍了如何使用Prometheus实现对分布于全球的的监控。Prometheus是一种基于度量进行监控的工具，CloudFlare是一家CDN、DNS和DDoS防御（Mitigation）服务提供商。

基于度量的开源监控项目最早推出于2012年，它是（原生云计算基金会，Cloud Native Computing Foundation）的成员。Prometheus的动态配置和查询语言PromQL支持用户编写对告警的复杂查询。CloudFlare提供CDN（内容分发网络，Content Delivery Network）、分布式DNS和DDoS防御服务，这意味着其架构已扩展到全球范围。监控这样的架构及网络无疑是一件复杂的工作。在演讲中，Bostock介绍了Prometheus在其中发挥的作用。在CloudFlare，前期部署的Nagios的职能已有87%被Prometheus所替代。

CloudFlare提供类似于Anycast所提供的CDN服务。使得DNS查询可以被最接近用户的服务器所处理，使得内容可以从距离用户最近的服务提供。作为原始Web站点和用户之间的中介，CloudFlare还检查访问者的流量中是否存在有威胁的模式。它提供了跨150个国家的116个数据中心，每秒处理500万次HTTP请求，120万次DNS请求，占全球因特网请求的10%。每个入网点（PoP，Point-Of-Presence）提供HTTP、DNS、DDoS防御和键值存储服务。截至演讲时，有188台运行在生产环境中的Prometheus服务器需要监控。

图片来源：

Prometheus是基于度量的，也就是说它采集时序度量，并基于度量构建其余的特性。它工作于Pull模式下，每台监控服务器运行一个称作“exporter”的进程，通过HTTP发布所采集的度量。CloudFlare为每个服务域部署了一个exporter，使用它们采集系统（例如CPU、内存、TCP、磁盘等）、网络（例如HTTP、Ping等）、本地匹配（错误信息）和容器/命名空间的度量。其中，exporter使用了Google的开源项目采集容器/命名空间的度量。Prometheus并不会永久地保存所有数据，因为它更于“此时此地”（here-and-now）的监控情况。数据不做，并在CloudFlare配置中保存15天。

在CloudFlare的核心数据中心，服务包括日志访问、分析业务，以及使用Marathon、Mesos、Chronos、Docker、Sentry、Ceph（用于存储）、Kafka、Spark、Elasticsearch和Kibana等技术栈构建的API。Prometheus在每个PoP通过exporter查询服务器和服务获取度量。每个PoP的高可用性是由使用多个Prometheus服务提供的。

Prometheus的报警管理称为“Alertmanager”。CloudFlare的部署中包括一个Alermanager，由每个Prometheus服务器推送事件，并考虑了配置的高可用性。报警基于历史数据做测试，确保服务的正确执行的。等新兴监控工具也包括类似的特性。为提供更好的报警服务，其它的一些特性还包括了描述性的名称、简单易用性和一些可使接收者立刻采取行动的信息。

CloudFlare团队使用实现JIRA工单系统与Alertmanager的集成。JIRA可以用户定制工作流，使得报警监控中可以包括一些监控工作流特定的用户定制状态。另一个称为的工具接收报警，并将报警信息集成到Elasticsearch索引中，用于进一步的检索和分析。CloudFlare已为Alertmanger构建了自己的仪表盘，称为“”。

那么Prometheus是如何监控自身情况的？这有两种实现方法。一种是混合方法，即在同一数据中心中，由一个Prometheus去监控另一个Prometheus。另一种方法是自顶向下的方法，由顶层Prometheus服务器监控位于数据中心层面的Prometheus服务器。

CloudFlare SRE团队的经验是，尽早对环境和集群等的标签和组身份做标准化；其它一些经验是关于如何创建可视化，以及从同行和利益相关者生成买入。经验指出，团队的尽早参与将有助于服务与监控系统的更快整合。而报警本身则需要多次迭代进行调整和改进，这是一个开展中的过程。

查看英文原文：