技術文章 » Prometheus&Alertmanager告警推播

Prometheus&Alertmanager告警推播

2023-02-24 06:01:11

前言

儘管可以通過視覺化資料監控系統執行狀態，但我們無法時刻關注系統執行，因此需要一些實時執行的工具能夠輔助監控系統執行，當系統出現執行問題時，能夠通知我們，以此確保系統穩定性，告警便是作為度量指標監控中及其重要的一環。

Prometheus告警介紹

在Prometheus中，告警模組為Alertmanager，可以提供多種告警通道、方式來使得系統出現問題可以推播告警訊息給相關人員。

Prometheus Server中的告警規則會向Alertmanager傳送。Alertmanager管理這些告警，包括進行去重，分組和路由，以及告警的靜默和抑制，通過電子郵件、實時通知系統和聊天平臺等方法傳送通知。

  • 定義告警規則(Alerting rule)
  • 告警模組訊息推播(Alertmanager)
  • 告警推播(Prometheus server推播告警規則到Alertmanager)

Alertmanager

Alertmanager是一個獨立的告警模組，接收Prometheus server發來的告警規則，通過去重、分組、靜默和抑制等處理，並將它們通過路由傳送給正確的接收器。

核心概念

  • 分組(Grouping): 是Alertmanager把同型別的告警進行分組，合併多條告警合併成一個通知。當系統中許多範例出問題時又或是網路延遲、延遲導致網路抖動等問題導致連結故障，會引發大量告警，在這種情況下使用分組機制，把這些被觸發的告警合併為一個告警進行通知，從而避免瞬間突發性的接受大量告警通知，使得相關人員可以對問題快速定位，而不至於淹沒在告警中。
  • 抑制(Inhibition): 是當某條告警已經傳送，停止重複傳送由此告警引發的其他異常或故障的告警機制，以避免收到過多無用的告警通知。
  • 靜默(Silences): 可對告警進行靜默處理的簡單機制。對傳進來的告警進行匹配檢查，如果告警符合靜默的設定，Alertmanager 則不會傳送告警通知。

設定Alertmanager.yml

cd /opt
mkdir alertmanager
cd alertmanager
touch alertmanager.yml

組態檔主要包含以下幾個部分：

  • 全域性設定（global）：用於定義一些全域性的公共引數，如全域性的SMTP設定，Slack設定等內容；
  • 模板（templates）：用於定義告警通知時的模板，如HTML模板，郵件模板，企業微信模板等；
  • 告警路由（route）：根據標籤匹配，確定當前告警應該如何處理；
  • 接收人（receivers）：接收人是一個抽象的概念，它可以是一個郵箱也可以是微信，Slack或者Webhook等，接收人一般配合告警路由使用；

組態檔內容：

global:
  resolve_timeout: 2m
  smtp_smarthost: 'smtp.qq.com:465'
  smtp_from: [email protected]
  smtp_auth_username: [email protected]
  smtp_auth_password: 授權碼
templates:
  - /etc/alertmanager/template/*.tmpl
route:
  group_by:
    - alertname_wechat
  group_wait: 10s
  group_interval: 10s
  receiver: wechat
  repeat_interval: 1h
receivers:
  - name: wechat
    email_configs:
      - to: [email protected]
        send_resolved: true
    wechat_configs:
      - corp_id: wechat_corp_id
        to_party: wechat_to_party
        agent_id: wechat_agent_id
        api_secret: wechat_apisecret
        send_resolved: true

此處設定推播訊息到郵箱和企業微信，Alertmanager內建了對企業微信的支援。
https://prometheus.io/docs/alerting/latest/configuration/

設定訊息模板

cd /opt/alertmanager
mkdir template
cd template
touch wechat.tmpl

編輯檔案內容，設定模板格式

{{ define "wechat.default.message" }}
{{ range $i, $alert :=.Alerts }}
========監控報警==========
告警狀態：{{   .Status }}
告警級別：{{ $alert.Labels.severity }}
告警型別：{{ $alert.Labels.alertname }}
告警應用：{{ $alert.Annotations.summary }}
告警主機：{{ $alert.Labels.instance }}
告警詳情：{{ $alert.Annotations.description }}
觸發閥值：{{ $alert.Annotations.value }}
告警時間：{{ $alert.StartsAt.Format "2023-02-19 10:00:00" }}
========end=============
{{ end }}
{{ end }}

部署Alertmanager

docker run -d -p 9093:9093 --name StarCityAlertmanager -v /opt/alertmanager/alertmanager.yml:/etc/alertmanager/alertmanager.yml -v /opt/alertmanager/template:/etc/alertmanager/template docker.io/prom/alertmanager:latest

可存取http://host:9093

告警通知測試

可通過請求Alertmanager Api模擬告警規則來推播告警通知。

curl --location 'http://Host:9093/api/v2/alerts' \
--header 'Content-Type: application/json' \
--data '[
    {
        "labels": {
            "severity": "Warning",
            "alertname": "記憶體使用過高",
            "instance": "範例1",
            "msgtype": "testing"
        },
        "annotations": {
            "summary": "node",
            "description": "請檢查範例1",
            "value": "0.95"
        }
    },
    {
        "labels": {
            "severity": "Warning",
            "alertname": "CPU使用過高",
            "instance": "範例2",
            "msgtype": "testing"
        },
        "annotations": {
            "summary": "node",
            "description": "請檢查範例2",
            "value": "0.90"
        }
    }
]'

傳送完畢，可以在企業微信和郵件中收到告警通知，如在郵箱中收到資訊。

注意：如果告警設定完畢，但測試時企業微信怎麼也收不到訊息，需要設定企業自建應用底部可信IP選單

告警規則

設定告警規則

cd /opt/prometheus
touch rules.yml

告警規則內容

groups:
  - name: example
    rules:
      - alert: InstanceDown
        expr: up == 0
        for: 10s
        labels:
          name: instance
          severity: Critical
        annotations:
          summary: ' {{ $labels.appname }}'
          description: ' The service stops running '
          value: '{{ $value }}%'
  - name: Host
    rules:
      - alert: HostMemory Usage
        expr: >-
          (node_memory_MemTotal_bytes - (node_memory_MemFree_bytes +
          node_memory_Buffers_bytes + node_memory_Cached_bytes)) /
          node_memory_MemTotal_bytes * 100 >  80
        for: 10s
        labels:
          name: Memory
          severity: Warning
        annotations:
          summary: ' {{ $labels.appname }} '
          description: ' The instance memory usage exceeded 80%. '
          value: '{{ $value }}'
      - alert: HostCPU Usage
        expr: >-
          sum(avg without
          (cpu)(irate(node_cpu_seconds_total{mode!='idle'}[5m]))) by
          (instance,appname) > 0.65
        for: 10s
        labels:
          name: CPU
          severity: Warning
        annotations:
          summary: ' {{ $labels.appname }} '
          description: The CPU usage of the instance is exceeded 65%.
          value: '{{ $value }}'
      - alert: HostLoad
        expr: node_load5 > 4
        for: 10s
        labels:
          name: Load
          severity: Warning
        annotations:
          summary: '{{ $labels.appname }} '
          description: ' The instance load exceeds the default value for 5 minutes.'
          value: '{{ $value }}'
      - alert: HostFilesystem Usage
        expr: 1-(node_filesystem_free_bytes / node_filesystem_size_bytes) >  0.8
        for: 10s
        labels:
          name: Disk
          severity: Warning
        annotations:
          summary: ' {{ $labels.appname }} '
          description: ' The instance [ {{ $labels.mountpoint }} ] partitioning is used by more than 80%.'
          value: '{{ $value }}%'
      - alert: HostDiskio
        expr: 'irate(node_disk_writes_completed_total{job=~"Host"}[1m]) > 10'
        for: 10s
        labels:
          name: Diskio
          severity: Warning
        annotations:
          summary: ' {{ $labels.appname }} '
          description: ' The instance [{{ $labels.device }}] average write IO load of the disk is high in 1 minute.'
          value: '{{ $value }}iops'
      - alert: Network_receive
        expr: >-
          irate(node_network_receive_bytes_total{device!~"lo|bond[0-9]|cbr[0-9]|veth.*|virbr.*|ovs-system"}[5m])
          / 1048576  > 3
        for: 10s
        labels:
          name: Network_receive
          severity: Warning
        annotations:
          summary: ' {{ $labels.appname }} '
          description: ' The instance [{{ $labels.device }}] average traffic received by the NIC exceeds 3Mbps in 5 minutes.'
          value: '{{ $value }}3Mbps'
      - alert: Network_transmit
        expr: >-
          irate(node_network_transmit_bytes_total{device!~"lo|bond[0-9]|cbr[0-9]|veth.*|virbr.*|ovs-system"}[5m])
          / 1048576  > 3
        for: 10s
        labels:
          name: Network_transmit
          severity: Warning
        annotations:
          summary: ' {{ $labels.appname }} '
          description: ' The instance [{{ $labels.device }}] average traffic sent by the network card exceeds 3Mbps in 5 minutes.'
          value: '{{ $value }}3Mbps'
  - name: Container
    rules:
      - alert: ContainerCPU Usage
        expr: >-
          (sum by(name,instance)
          (rate(container_cpu_usage_seconds_total{image!=""}[5m]))*100) > 60
        for: 10s
        labels:
          name: CPU
          severity: Warning
        annotations:
          summary: '{{ $labels.name }} '
          description: ' Container CPU usage over 60%.'
          value: '{{ $value }}%'
      - alert: ContainerMem Usage
        expr: 'container_memory_usage_bytes{name=~".+"}  / 1048576 > 1024'
        for: 10s
        labels:
          name: Memory
          severity: Warning
        annotations:
          summary: '{{ $labels.name }} '
          description: ' Container memory usage exceeds 1GB.'
          value: '{{ $value }}G'

修改prometheus.yml，增加告警規則，如下alerting和rule_files部分，重啟prometheus。

global:
  scrape_interval: 15s
  evaluation_interval: 15s

alerting:
  alertmanagers:
  - static_configs:
    - targets: ['Host:9093']
rule_files:
  - "rules.yml"  

scrape_configs:
  - job_name: prometheus
    static_configs:
      - targets:
          - 'Prometheus Server Host:9090'
        labels:
          appname: Prometheus
  - job_name: node
    scrape_interval: 10s
    static_configs:
      - targets:
          - 'Metrics Host:9100'
        labels:
          appname: node
  - job_name: cadvisor
    static_configs:
      - targets:
          - 'Metrics Host:58080'
  - job_name: rabbitmq
    scrape_interval: 10s
    static_configs:
      - targets:
          - 'Metrics Host:9419'
        labels:
          appname: rabbitmq

再次存取prometheus可以看到告警規則

告警狀態

狀態 說明
Inactive 待啟用狀態，度量指標處在合適範圍內。
Pending 符合告警規則，但是低於設定的持續時間。這裡的持續時間即rule裡的FOR欄位設定的時間。該狀態下不傳送告警通知。
Firing 符合告警規則，而且超出設定的持續時間。該狀態下傳送告警到Alertmanager。

觸發告警

當系統達到預定告警條件並超出設定的持續時間，則觸發告警，推播告警訊息到Alertmanager。

此處設定系統CPU使用率超過限定條件，可以在prometheus中看到CPU使用率告警規則達到Pending狀態

當超過設定的持續時間，狀態變更到Firing，訊息推播到Alertmanager

在Alertmanager Web中可以看到推播過來的告警資訊

在企業微信和郵箱中也收到告警資訊


2023-02-23,望技術有成後能回來看見自己的腳步