如何使用Promethues监控系统指标并进行告警

公众号「架构成长指南」，专注于生产实践、云原生、分布式系统、大数据技术分享。

前言

从零开始：使用Prometheus与Grafana搭建监控系统

克服网络障碍：Prometheus如何通过间接方式采集目标服务数据

在以上二节，我们介绍了如何使用Prometheus的Pull和Push模式来采集系统指标并在 Grafana进行展现，本节我们介绍如何使用Prometheus的AlertManager进行邮件告警通知。

AlertManager介绍

Prometheus是一种用于监控和告警的开源系统，而Alertmanager是Prometheus生态系统中的一个组件，主要用于告警通知。

Alertmanager的主要功能是接收来自Prometheus服务器的告警，并采取适当的操作来通知相关的团队或个人。它通过提供一个统一的接口来处理警报通知，从而简化了告警管理的过程。

下面是Alertmanager的一些关键功能和特点：

1. 告警路由和抑制：Alertmanager允许您配置灵活的警报路由规则，以便根据警报的标签和属性将其发送给特定的接收者。
2. 多种通知方式：Alertmanager支持多种通知方式，包括电子邮件、短信、PagerDuty、Slack、Webhook等，不过对国内的钉钉和飞书支持性不是特别好，不过好在有开源扩展实现，后续章节介绍。
3. 去重和分组：Alertmanager可以对接收到的告警进行去重和分组，以避免发送重复的通知。
4. 面向团队的协作：Alertmanager提供了团队协作的功能，可以将警报发送给多个接收者。
5. 高可用性和故障转移：Alertmanager支持高可用性配置，可以运行多个实例并使用负载均衡器来分发警报。

AlertManager配置

下载

docker pull prom/alertmanager:v0.25.0

配置

在本地data/prometheus/alertmanager/目录创建alertmanager.yml配置文件

route:
  group_by: ['alertname']
  group_wait: 30s
  group_interval: 5m
  repeat_interval: 1h
  receiver: 'web.hook'
receivers:
  - name: 'web.hook'
    webhook_configs:
      - url: 'http://127.0.0.1:5001/'
inhibit_rules:
  - source_match:
      severity: 'critical'
    target_match:
      severity: 'warning'
    equal: ['alertname', 'dev', 'instance']

Alertmanager的配置主要包含两个部分：路由(route)以及接收器(receivers)，所有的告警信息都会从配置中的顶级路由(route)进入路由树，根据路由规则将告警信息发送给相应的接收器。

在Alertmanager中定义一组接收器，比如可以按照角色(比如系统运维，数据库管理员)来划分多个接收器。接收器可以关联邮件、Slack以及其它方式接收告警信息。

启动

docker run --name alertmanager -d -p 9093:9093  -v /data/prometheus/alertmanager:/etc/alertmanager prom/alertmanager:v0.25.0

查看运行状态

Alertmanager启动后可以通过9093端口访问，http://127.0.0.1:9093

Alert菜单下可以查看Alertmanager接收到的告警内容，Silences菜单下则可以通过UI创建静默规则。

关联Prometheus与Alertmanager

在Prometheus的架构中被划分成两个独立的部分，Prometheus负责产生告警，而Alertmanager负责告警产生后的后续处理。因此Alertmanager部署完成后，需要在Prometheus中设置Alertmanager相关的信息。

编辑Prometheus配置文件prometheus.yml,并添加以下内容，这里的10.211.55.2作者是本地IP

alerting:
  alertmanagers:
    - static_configs:
        - targets: ['10.211.55.2:9093']

报警规则配置

在prometheus.yml增加如下内容

rule_files:
  - /prometheus/rules/*.rules

因为在容器启动时用主机的/data/prometheus目录映射到容器的/prometheus目录，因此在主机/data/prometheus/目录创建rules文件夹，并创建告警文件hoststats-alert.rules

mkdir /data/prometheus/rules && cat <<"EOF"> /data/prometheus/rules/hoststats-alert.rules
groups:
- name: hostStatsAlert
  rules:
  - alert: hostCpuUsageAlert
  #报警规则，检测CPU使用率超过0.85，则进行告警
    expr: sum(avg without (cpu)(irate(node_cpu_seconds_total{mode!='idle'}[5m]))) by (instance) > 0.85
  #表示在满足警报条件后，要等待1分钟才能触发警报  
    for: 1m
    labels:
      severity: page
    annotations:
   #告警模板主题,$labels.instance，表示告警实例
      summary: "Instance {{ $labels.instance }} CPU usgae high"
   #告警内容
      description: "{{ $labels.instance }} CPU usage above 85% (current value: {{ $value }})"
  - alert: hostMemUsageAlert
    #内存监控
    expr: (node_memory_MemTotal - node_memory_MemAvailable)/node_memory_MemTotal > 0.85
    for: 1m
    labels:
      severity: page
    annotations:
      summary: "Instance {{ $labels.instance }} MEM usgae high"
      description: "{{ $labels.instance }} MEM usage above 85% (current value: {{ $value }})"
EOF

重启Prometheus

docker restart prometheus

重启完成之后，访问http://localhost:9090/config，查看altering配置是否生效，出现如下红色标识则表示生效

同时访问http://localhost:9090/rules，查看具体规则

邮件告警配置

在监控服务器执行以下命令，拉高cpu使用率，进行告警测试

cat /dev/zero>/dev/null

运行以下命令后查看CPU使用率情况，如下图所示：

sum(avg without (cpu)(irate(node_cpu_seconds_total{mode!='idle'}[5m]))) by (instance)

Prometheus首次检测到满足触发条件后，hostCpuUsageAlert显示有一条告警信息，状态为firing表示已经推送给了altermanager

访问http://127.0.0.1:9093查看告警信息

修改alertmanager.yml为以下内容，替换对应账号即可

global:
  smtp_smarthost: smtp.qq.com:465
  smtp_from: [email protected]
  smtp_auth_username: [email protected]
  smtp_auth_identity: [email protected]
  smtp_auth_password: 123
  smtp_require_tls: false
route:
  group_by: ['alertname']
  receiver: 'default-receiver'
  group_wait: 30s
  group_interval: 5m
  repeat_interval: 1h
receivers:
  - name: default-receiver
    email_configs:
      - to: [email protected]
        send_resolved: true

global: 这是一个全局配置部分，用于配置全局的Alertmanager设置。

• smtp_smarthost: 这是SMTP服务器的地址和端口，用于发送邮件通知。
• smtp_from: 这是邮件发送方的邮件地址，即发送邮件的地址。

route: 用于配置警报的路由规则。

• group_by: ['alertname']: 这是一个标签列表，用于按照警报名称（alertname）进行分组。
• receiver: 'default-receiver': 这是指定默认接收者的名称，即接收警报通知的收件人。
• group_wait: 30s: 在发送警报通知前等待的时间，以便将相同的警报分组在一起。
• group_interval: 5m: 这是发送同一组警报通知之间的最小时间间隔。
• repeat_interval: 1h: 这是在重复发送未解决的警报通知之前等待的时间间隔。

receivers: 接收者部分，用于配置接收告警通知的收件人。

• name: default-receiver: 这是默认接收者的名称。
• email_configs: 用于指定接收邮件通知的收件人和其他相关设置。
  • to: [email protected]: 这是收件人的邮件地址，即接收警报通知的邮箱地址。
  • send_resolved: true: 这是一个布尔值，指示是否发送已解决的警报通知。在这个例子中，设置为true，表示发送已解决的警报通知。

重启

docker restart alertmanager

重启完成，访问http://127.0.0.1:9093/#/status，查看配置是否生效

告警测试

在目录服务器执行以下命令，拉高cpu，如果前面已执行则忽略

cat /dev/zero>/dev/null

查看prometheus已收到告警信息

等待一分钟左右，会推送给altermanager，altermanager等待30s，会推送至对应的邮箱，如下图

调整告警模版并测试

在/data/prometheus/alertmanager目录下创建模版文件，这里的2006-01-02 15:04:05是go语言的日志格式，固定值

cat > /data/prometheus/alertmanager/notify-template.tmpl <<EOF
{{ define "test.html" }} 
{{ range .Alerts }}
=========start==========<br>
告警级别: {{ .Labels.severity }} 级 <br>
告警类型: {{ .Labels.alertname }} <br>
故障主机: {{ .Labels.instance }} <br>
告警主题: {{ .Annotations.summary }} <br>
触发时间: {{ .StartsAt.Format "2006-01-02 15:04:05" }} <br>
=========end==========<br>
{{ end }}
{{ end }}
EOF

关联告警模版

global:
  smtp_smarthost: smtp.qq.com:465
  smtp_from: [email protected]
  smtp_auth_username: [email protected]
  smtp_auth_identity: [email protected]
  smtp_auth_password: 123
  smtp_require_tls: false
#添加模板
templates: 
#指定路径    
  - '/etc/alertmanager/notify-template.tmpl'   
route:
  group_by: ['alertname']
  receiver: 'default-receiver'
  group_wait: 30s
  group_interval: 5m
  repeat_interval: 1h
receivers:
  - name: default-receiver
    email_configs:
      - to: [email protected]
        html: '{{ template "test.html" . }}'
        send_resolved: true

重启altermanager

docker restart alertmanager

最终结果

告警优化

观察以上告警有以下问题

• 触发时间不对，用的是UTC时间
• 无法区分告警与恢复邮件
• 邮件标题看起来可读性比较差

因此针对以上问题进行调整

增加自愈模板

在以下时间增加28800e9，转换为东八区时间，即北京时间

{{ define "test.html" }} 
{{- if gt (len .Alerts.Firing) 0 -}}
{{ range .Alerts }}
:red;">告警>
>
告警级别: {{ .Labels.severity }} 级 >
告警类型: {{ .Labels.alertname }} >
故障主机: {{ .Labels.instance }} >
告警主题: {{ .Annotations.summary }} >
告警时间：{{ (.StartsAt.Add 28800e9).Format "2006-01-02 15:04:05" }}>  
>
{{ end }}
{{ end }}
#增加自愈模板
{{- if gt (len .Alerts.Resolved) 0 -}}
{{ range .Alerts }}
:green;">恢复>
>
告警名称：{{ .Labels.alertname }}>
告警级别：{{ .Labels.severity }}>
告警机器：{{ .Labels.instance }}>
告警详情：{{ .Annotations.summary }}>
告警时间：{{ (.StartsAt.Add 28800e9).Format "2006-01-02 15:04:05" }}> 
恢复时间：{{ (.EndsAt.Add 28800e9).Format "2006-01-02 15:04:05" }}> 
>
{{- end }}
{{- end }}
{{- end }}

邮件标题调整

在headers增加Subject则为邮件标题，这里我们进行判断如果告警邮件标题为：系统监控告警恢复后，标题改为：系统监控告警恢复

global:
  smtp_smarthost: smtp.qq.com:465
  smtp_from: 9238223@qq.com
  smtp_auth_username: 9238223@qq.com
  smtp_auth_identity: 9238223@qq.com
  smtp_auth_password: 123
  smtp_require_tls: false
templates: #添加模板
  - '/etc/alertmanager/notify-template.tmpl'   #指定路径    
route:
  group_by: ['alertname']
  receiver: 'default-receiver'
  group_wait: 30s
  group_interval: 5m
  repeat_interval: 1h
receivers:
  - name: default-receiver
    email_configs:
      - to: abc123@foxmail.com
        html: '{{ template "test.html" . }}'
        send_resolved: true
        headers: { Subject: "系统监控告警{{- if gt (len .Alerts.Resolved) 0 -}}恢复{{ end }}" }  

再次测试

再次重启，拉高cpu进行测试，告警信息如下

恢复通知邮件

总结

本节我们介绍了Prometheus的Alertmanager以及如何利用它对指标进行告警，同时我们还讨论了如何通过邮件通知来实现告警，并对邮件模板进行了优化。在接下来的章节中，我们将进一步探讨如何使用Prometheus监控业务系统的业务指标，并实现全面的监控和告警通知。