监控系统的四个黄金指标

发表于 阅读次数： Waline： 本文字数： 1.5k 阅读时长 ≈ 5 分钟
探讨监控系统的4个黄金指标:延迟、流量、错误和饱和度。了解这些指标的重要性、应用注意事项,以及为何关注指标分布比平均值更有价值。包含实际示例和Prometheus、Grafana等工具的使用建议。

最近被问到一个问题，是关于监控系统的4个黄金信号（也被称为黄金指标）的，不太记得了，看了一些资料，做个笔记。

来源

监控系统的4个黄金指标来源于《SRE：Google运维解密》这本书的第六章 分布式系统的监控。

这一章讲了为什么要监控，黑盒监控与白盒监控，4个黄金指标，长尾问题，度量指标时应该采用合适的精度以及监控系统的长期维护这些问题，基本上构建一个监控系统比较重要的几个方面都有讲到。

这本书是我上班的第二年领导推荐给我看的，是一本很好的书，时间很久了，内容忘了很多，这两天在重新读。

四个黄金指标是什么

这四个黄金指标分别是：

  • 延迟（Latency）
    延迟是指请求从发出到接收响应所花费的时间。这个信号不仅包括成功请求的响应时间，还应该包括失败请求的响应时间。

  • 流量（Traffic）
    流量是指系统接收到的请求数量或处理的数据量。流量通常以每秒请求数（QPS）或每秒事务数（TPS）来测量。

  • 错误（Errors）
    错误是指请求未能成功处理的次数或比率。错误可以是 HTTP 状态码 500 系列、应用程序异常或其他失败条件。

  • 饱和度（Saturation）
    饱和度是指系统资源的使用情况及其接近极限的程度。资源包括 CPU、内存、磁盘 I/O、网络带宽等。一般可以使用利用率或者剩余率来表示。

应用这四个指标时需要注意的内容

  1. 延迟

    • 监控 P50、P95、P99 等不同百分位数的延迟，以更全面了解系统性能。
    • 应当区分成功请求和失败请求的延迟，以便更准确地诊断问题。
    • 关注不同时间段的延迟变化，比如高峰时间和非高峰时间。
    • 针对重要的API和服务应该创建特别的dashboard和告警规则。

  2. 流量

    • 监控每秒请求数及其变化趋势，了解系统负载情况。
    • 监控数据吞吐量，比如每秒处理的字节数。
    • 结合业务指标（如活跃用户数、交易量、artifacts下载次数等），更好地理解流量与业务活动之间的关系。

  3. 错误

    • 要分别监控总体错误率和特定类型错误率（如 4xx、5xx 错误）。
    • 监控错误随时间的变化情况，发现异常波动。
    • 必要的时候结合应用日志和LB日志，追踪和诊断错误的根本原因。

  4. 饱和度

    • 监控 CPU 使用率、内存使用率、磁盘 I/O 使用率、网络带宽使用率等关键资源。
    • 设置警报阈值，及时预警资源的过度使用。
    • 监控系统资源的使用趋势，提前进行容量规划。

关注指标的分布而不是平均值

关注监控指标的分布而不是单纯的平均值，这是因为平均值往往不能全面反映系统的实际性能和用户体验，特别是在存在高可变性或异常的情况下。

主要有以下几个原因：

  1. 平均值掩盖了重要细节

    平均值是所有数据点的中心趋势，但它无法反映数据的分布情况。以下几个方面说明了平均值的局限性：

    • 忽略波动性：平均值不能反映数据的波动性。例如，一个系统的响应时间如果大部分时间很快但偶尔非常慢，平均响应时间可能看起来不错，但用户实际体验可能很糟糕。
    • 掩盖异常：如果有一些极端值（outliers），它们可能极大地拉高或降低平均值，从而掩盖了大多数数据点的实际情况。

  2. 分布提供了更全面的视角

    关注监控指标的分布可以帮助我们更全面地理解系统的性能和行为：

    • 百分位数（Percentiles）：通过查看不同的百分位数（如P50、P90、P95、P99），可以更好地了解大多数用户的实际体验。例如，P90表示90%的请求比这个值快，而10%比这个值慢。P99表示99%的请求比这个值快，1%比这个值慢。
    • 直方图和分位图：这些图表可以展示数据的分布情况，帮助识别性能瓶颈和异常值。例如，Prometheus 支持使用直方图和摘要（Histogram and Summary）来记录和展示数据的分布。

  3. 举例说明

    响应时间：假设一个 web 服务的响应时间如下（单位：毫秒）：

    • 50, 50, 50, 50, 50, 500

    计算平均值： (50 + 50 + 50 + 50 + 50 + 500) / 6 = 125 ms

    从平均值来看，响应时间似乎是 125 ms。但实际上，大部分请求的响应时间是 50 ms，只有一个请求是 500 ms。这很可能导致用户体验极差。

    如果我们查看百分位数：

    • P50（中位数）：50 ms
    • P90：50 ms
    • P95：50 ms
    • P99：500 ms

    从这些百分位数，我们可以看到绝大多数请求的响应时间是 50 ms，只有少数请求非常慢。

  4. 实践中的工具和方法

    在实践中，使用适当的工具和方法可以帮助我们更好地分析监控指标的分布：

    • Prometheus：支持Histogram和Summary类型，可以用来记录和分析时间序列数据的分布。例如，Summary可以在PromQL中进行百分位数查询：

      1
      histogram_quantile(0.99, sum(rate(http_request_duration_seconds_bucket[5m])) by (le))

    • Grafana：与Prometheus结合，Grafana可以用于可视化不同百分位数、呈现直方图和分位图等。例如，使用Prometheus数据源绘制延迟的百分位图：

      1
      quantile(0.99, rate(http_request_duration_seconds_bucket[5m]))