如何精簡 Prometheus 的指標和存盤占用-有解無憂

前言

隨著 Prometheus 監控的組件、數量、指標越來越多，Prometheus 對計算性能的要求會越來越高，存盤占用也會越來越多，

在這種情況下，要優化 Prometheus 性能, 優化存盤占用. 第一時間想到的可能是各種 Prometheus 的兼容存盤方案, 如 Thanos 或 VM、Mimir 等，但是實際上雖然集中存盤、長期存盤、存盤降采樣及存盤壓縮可以一定程度解決相關問題，但是治標不治本，

真正的本，還是在于指標量（series）過于龐大，
治本之法，應該是減少指標量，有 2 種辦法：
- Prometheus 性能調優 - 解決高基數問題
- 根據實際使用情況，只保留（keep）展示（Grafana Dashboards）和告警（prometheus rules）會用到的指標，

本次重點介紹第二種辦法：如何根據實際的使用情況精簡 Prometheus 的指標和存盤占用？

思路

分析當前 Prometheus 中存盤的所有的 metric name（指標項）；
分析展示環節用到的所有 metric name，即 Grafana 的 Dashboards 用到的所有指標；
分析告警環節用到的所有 metric name，即 Prometheus Rule 配置中用到的所有指標；
（可選）分析診斷環境用到的所有 metric name，即經常在 Prometheus UI 上 query 的指標；
通過 relabel 在 metric_relabel_configs 或 write_relabel_configs 僅 keep 2-4 中的指標, 以此大幅減少 Prometheus 需要存盤的指標量.

要具體實作這個思路, 可以通過 Grafana Labs 出品的 mimirtool 來搞定.

我這里有個前后的對比效果, 可供參考這樣做效果有多驚人:

精簡前: 270336 活動 series
精簡后: 61055 活動 series
精簡效果: 將近 5 倍的精簡率!

Grafana Mimirtool

Grafana Mimir 是一款以物件存盤為存盤方式的 Prometheus 長期存盤解決方案, 從 Cortex 演化而來. 官方號稱支持億級別的 series 寫入存盤和查詢.

Grafana Mimirtool 是 Mimir 發布的一個實用工具, 可單獨使用.

Grafana Mimirtool 支持從以下方面提取指標:

Grafana 實體中的Grafana Dashboards(通過 Grafana API)
Mimir 實體中的 Prometheus alerting 和 recording rules
Grafana Dashboards JSON檔案
Prometheus記alerting 和 recording rules 的 YAML檔案

然后，Grafana Mimirtool可以將這些提取的指標與Prometheus或Cloud Prometheus實體中的活動 series 進行比較，并輸出一個 used 指標和 unused 指標的串列，

Prometheus 精簡指標實戰

假設

假定:

通過kube-prometheus-stack 安裝 Prometheus
已安裝 Grafana 且作為展示端
已配置相應的告警規則
除此之外, 無其他需要額外保留的指標

前提

Grafana Mimirtool 從 releases 中找到 mimirtool 對應平臺的版本下載即可使用;
已創建 Grafana API token
Prometheus已安裝和配置.

第一步: 分析 Grafana Dashboards 用到的指標

通過 Grafana API

具體如下:

# 通過 Grafana API分析 Grafana 用到的指標
# 前提是現在 Grafana上創建 API Keys
mimirtool analyze grafana --address http://172.16.0.20:32651 --key=eyJrIjoiYjBWMGVoTHZTY3BnM3V5UzNVem9iWDBDSG5sdFRxRVoiLCJuIjoibWltaXJ0b29sIiwiaWQiOjF9

??說明:

http://172.16.0.20:32651 是 Grafana 地址
--key=eyJr 是 Grafana API Token. 通過如下界面獲得:

創建 Grafana API Token

獲取到的是一個 metrics-in-grafana.json, 內容概述如下:

{
    "metricsUsed": [
        ":node_memory_MemAvailable_bytes:sum",
        "alertmanager_alerts",
        "alertmanager_alerts_invalid_total",
        "alertmanager_alerts_received_total",
        "alertmanager_notification_latency_seconds_bucket",
        "alertmanager_notification_latency_seconds_count",
        "alertmanager_notification_latency_seconds_sum",
        "alertmanager_notifications_failed_total",
        "alertmanager_notifications_total",
        "cluster",
        "cluster:namespace:pod_cpu:active:kube_pod_container_resource_limits",
        "cluster:namespace:pod_cpu:active:kube_pod_container_resource_requests",
        "cluster:namespace:pod_memory:active:kube_pod_container_resource_limits",
        "cluster:namespace:pod_memory:active:kube_pod_container_resource_requests",
        "cluster:node_cpu:ratio_rate5m",
        "container_cpu_cfs_periods_total",
        "container_cpu_cfs_throttled_periods_total",
        "..."
    ],
    "dashboards": [
        {
            "slug": "",
            "uid": "alertmanager-overview",
            "title": "Alertmanager / Overview",
            "metrics": [
                "alertmanager_alerts",
                "alertmanager_alerts_invalid_total",
                "alertmanager_alerts_received_total",
                "alertmanager_notification_latency_seconds_bucket",
                "alertmanager_notification_latency_seconds_count",
                "alertmanager_notification_latency_seconds_sum",
                "alertmanager_notifications_failed_total",
                "alertmanager_notifications_total"
            ],
            "parse_errors": null
        },
        {
            "slug": "",
            "uid": "c2f4e12cdf69feb95caa41a5a1b423d9",
            "title": "etcd",
            "metrics": [
                "etcd_disk_backend_commit_duration_seconds_bucket",
                "etcd_disk_wal_fsync_duration_seconds_bucket",
                "etcd_mvcc_db_total_size_in_bytes",
                "etcd_network_client_grpc_received_bytes_total",
                "etcd_network_client_grpc_sent_bytes_total",
                "etcd_network_peer_received_bytes_total",
                "etcd_network_peer_sent_bytes_total",
                "etcd_server_has_leader",
                "etcd_server_leader_changes_seen_total",
                "etcd_server_proposals_applied_total",
                "etcd_server_proposals_committed_total",
                "etcd_server_proposals_failed_total",
                "etcd_server_proposals_pending",
                "grpc_server_handled_total",
                "grpc_server_started_total",
                "process_resident_memory_bytes"
            ],
            "parse_errors": null
        },
        {...}
    ]
}

(可選)通過 Grafana Dashboards json 檔案

如果無法創建 Grafana API Token, 只要有 Grafana Dashboards json 檔案, 也可以用來分析, 示例如下:

# 通過 Grafana Dashboard json 分析 Grafana 用到的指標
mimirtool analyze dashboard grafana_dashboards/blackboxexporter-probe.json
mimirtool analyze dashboard grafana_dashboards/es.json

得到的 json 結構和上一節類似, 就不贅述了.

第二步: 分析 Prometheus Alerting 和 Recording Rules 用到的指標

具體操作如下:

# (可選)通過 kubectl cp 將用到的 rule files 拷貝到本地
kubectl cp <prompod>:/etc/prometheus/rules/<releasename>-kube-prometheus-st-prometheus-rulefiles-0 -c prometheus ./kube-prometheus-stack/rulefiles/

# 通過 Prometheus rule files 分析 Prometheus Rule 用到的指標(涉及 recording rule 和 alert rules)
mimirtool analyze rule-file ./kube-prometheus-stack/rulefiles/*

結果如下 metrics-in-ruler.json:

{
  "metricsUsed": [
    "ALERTS",
    "aggregator_unavailable_apiservice",
    "aggregator_unavailable_apiservice_total",
    "apiserver_client_certificate_expiration_seconds_bucket",
    "apiserver_client_certificate_expiration_seconds_count",
    "apiserver_request_terminations_total",
    "apiserver_request_total",
    "blackbox_exporter_config_last_reload_successful",
    "..."
  ],
  "ruleGroups": [
    {
      "namspace": "default-monitor-kube-prometheus-st-kubernetes-apps-ae2b16e5-41d8-4069-9297-075c28c6969e",
      "name": "kubernetes-apps",
      "metrics": [
        "kube_daemonset_status_current_number_scheduled",
        "kube_daemonset_status_desired_number_scheduled",
        "kube_daemonset_status_number_available",
        "kube_daemonset_status_number_misscheduled",
        "kube_daemonset_status_updated_number_scheduled",
        "..."
      ]
      "parse_errors": null
    },
    {
      "namspace": "default-monitor-kube-prometheus-st-kubernetes-resources-ccb4a7bc-f2a0-4fe4-87f7-0b000468f18f",
      "name": "kubernetes-resources",
      "metrics": [
        "container_cpu_cfs_periods_total",
        "container_cpu_cfs_throttled_periods_total",
        "kube_node_status_allocatable",
        "kube_resourcequota",
        "namespace_cpu:kube_pod_container_resource_requests:sum",
        "namespace_memory:kube_pod_container_resource_requests:sum"
      ],
      "parse_errors": null
    }, 
    {...}
  ]
}

第三步: 分析沒用到的指標

具體如下:

# 綜合分析 Prometheus 采集到的 VS. (展示(Grafana Dashboards) + 記錄及告警(Rule files))
mimirtool analyze prometheus --address=http://172.16.0.20:30090/ --grafana-metrics-file="metrics-in-grafana.json" --ruler-metrics-file="metrics-in-ruler.json"

??說明:

--address=http://172.16.0.20:30090/ 為 prometheus 地址
--grafana-metrics-file="metrics-in-grafana.json" 為第一步得到的 json 檔案
--ruler-metrics-file="kube-prometheus-stack-metrics-in-ruler.json" 為第二步得到的 json 檔案

輸出結果prometheus-metrics.json 如下:

{
  "total_active_series": 270336,
  "in_use_active_series": 61055,
  "additional_active_series": 209281,
  "in_use_metric_counts": [
    {
      "metric": "rest_client_request_duration_seconds_bucket",
      "count": 8855,
      "job_counts": [
        {
          "job": "kubelet",
          "count": 4840
        }, 
        {
          "job": "kube-controller-manager",
          "count": 1958
        },
        {...}
      ]
    },
    {
      "metric": "grpc_server_handled_total",
      "count": 4394,
      "job_counts": [
        {
          "job": "kube-etcd",
          "count": 4386
        },
        {
          "job": "default/kubernetes-ebao-ebaoops-pods",
          "count": 8
        }
      ]
    },
    {...}
  ],
  "additional_metric_counts": [    
    {
      "metric": "rest_client_rate_limiter_duration_seconds_bucket",
      "count": 81917,
      "job_counts": [
        {
          "job": "kubelet",
          "count": 53966
        },
        {
          "job": "kube-proxy",
          "count": 23595
        },
        {
          "job": "kube-scheduler",
          "count": 2398
        },
        {
          "job": "kube-controller-manager",
          "count": 1958
        }
      ]
    },  
    {
      "metric": "rest_client_rate_limiter_duration_seconds_count",
      "count": 7447,
      "job_counts": [
        {
          "job": "kubelet",
          "count": 4906
        },
        {
          "job": "kube-proxy",
          "count": 2145
        },
        {
          "job": "kube-scheduler",
          "count": 218
        },
        {
          "job": "kube-controller-manager",
          "count": 178
        }
      ]
    },
    {...}
  ]
}

第四步: 僅 `keep` 用到的指標

在 `write_relabel_configs` 環節配置

如果你有使用 remote_write, 那么直接在 write_relabel_configs 環節配置 keep relabel 規則, 簡單粗暴.

可以先用 jp 命令得到所有需要 keep 的metric name:

jq '.metricsUsed' metrics-in-grafana.json \
| tr -d '", ' \
| sed '1d;$d' \
| grep -v 'grafanacloud*' \
| paste -s -d '|' -

輸出結果類似如下:

instance:node_cpu_utilisation:rate1m|instance:node_load1_per_cpu:ratio|instance:node_memory_utilisation:ratio|instance:node_network_receive_bytes_excluding_lo:rate1m|instance:node_network_receive_drop_excluding_lo:rate1m|instance:node_network_transmit_bytes_excluding_lo:rate1m|instance:node_network_transmit_drop_excluding_lo:rate1m|instance:node_vmstat_pgmajfault:rate1m|instance_device:node_disk_io_time_seconds:rate1m|instance_device:node_disk_io_time_weighted_seconds:rate1m|node_cpu_seconds_total|node_disk_io_time_seconds_total|node_disk_read_bytes_total|node_disk_written_bytes_total|node_filesystem_avail_bytes|node_filesystem_size_bytes|node_load1|node_load15|node_load5|node_memory_Buffers_bytes|node_memory_Cached_bytes|node_memory_MemAvailable_bytes|node_memory_MemFree_bytes|node_memory_MemTotal_bytes|node_network_receive_bytes_total|node_network_transmit_bytes_total|node_uname_info|up

然后直接在 write_relabel_configs 環節配置 keep relabel 規則:

remote_write:
- url: <remote_write endpoint>
  basic_auth:
    username: <按需>
    password: <按需>
  write_relabel_configs:
  - source_labels: [__name__]
    regex: instance:node_cpu_utilisation:rate1m|instance:node_load1_per_cpu:ratio|instance:node_memory_utilisation:ratio|instance:node_network_receive_bytes_excluding_lo:rate1m|instance:node_network_receive_drop_excluding_lo:rate1m|instance:node_network_transmit_bytes_excluding_lo:rate1m|instance:node_network_transmit_drop_excluding_lo:rate1m|instance:node_vmstat_pgmajfault:rate1m|instance_device:node_disk_io_time_seconds:rate1m|instance_device:node_disk_io_time_weighted_seconds:rate1m|node_cpu_seconds_total|node_disk_io_time_seconds_total|node_disk_read_bytes_total|node_disk_written_bytes_total|node_filesystem_avail_bytes|node_filesystem_size_bytes|node_load1|node_load15|node_load5|node_memory_Buffers_bytes|node_memory_Cached_bytes|node_memory_MemAvailable_bytes|node_memory_MemFree_bytes|node_memory_MemTotal_bytes|node_network_receive_bytes_total|node_network_transmit_bytes_total|node_uname_info|up
    action: keep

在 `metric_relabel_configs` 環節配置

如果沒有使用 remote_write, 那么只能在 metric_relabel_configs 環節配置了.

以 etcd job 為例: (以 prometheus 配置為例, Prometheus Operator 請自行按需調整)

- job_name: serviceMonitor/default/monitor-kube-prometheus-st-kube-etcd/0
  honor_labels: false
  kubernetes_sd_configs:
  - role: endpoints
    namespaces:
      names:
      - kube-system
  scheme: https
  tls_config:
    insecure_skip_verify: true
    ca_file: /etc/prometheus/secrets/etcd-certs/ca.crt
    cert_file: /etc/prometheus/secrets/etcd-certs/healthcheck-client.crt
    key_file: /etc/prometheus/secrets/etcd-certs/healthcheck-client.key
  relabel_configs:
  - source_labels:
    - job
    target_label: __tmp_prometheus_job_name
  - ...
  metric_relabel_configs: 
  - source_labels: [__name__]
    regex: etcd_disk_backend_commit_duration_seconds_bucket|etcd_disk_wal_fsync_duration_seconds_bucket|etcd_mvcc_db_total_size_in_bytes|etcd_network_client_grpc_received_bytes_total|etcd_network_client_grpc_sent_bytes_total|etcd_network_peer_received_bytes_total|etcd_network_peer_sent_bytes_total|etcd_server_has_leader|etcd_server_leader_changes_seen_total|etcd_server_proposals_applied_total|etcd_server_proposals_committed_total|etcd_server_proposals_failed_total|etcd_server_proposals_pending|grpc_server_handled_total|grpc_server_started_total|process_resident_memory_bytes|etcd_http_failed_total|etcd_http_received_total|etcd_http_successful_duration_seconds_bucket|etcd_network_peer_round_trip_time_seconds_bucket|grpc_server_handling_seconds_bucket|up
    action: keep

不用 `keep` 而使用 `drop`

同樣滴, 不用 keep 而改為使用 drop 也是可以的. 這里不再贅述.

??????

總結

本文中，介紹了精簡 Prometheus 指標的需求, 然后說明如何使用 mimirtool analyze 命令來確定Grafana Dashboards 以及 Prometheus Rules 中用到的指標，然后用 analyze prometheus 分析了展示和告警中used 和 unused 的活動 series，最后配置了 Prometheus 以僅 keep 用到的指標，

結合這次實戰, 精簡率可以達到 5 倍左右, 效果還是非常明顯的. 推薦試一試. ?????????

??? 參考檔案

grafana/mimir: Grafana Mimir provides horizontally scalable, highly available, multi-tenant, long-term storage for Prometheus. (github.com)
Analyzing and reducing metrics usage with Grafana Mimirtool | Grafana Cloud documentation

本文由東風微鳴技術博客 EWhisper.cn 撰寫！

轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/536114.html

標籤：其他

上一篇：針對某客服系統的組合攻擊

下一篇：【專項測驗系列】-快取擊穿、穿透、雪崩專項測驗

如何精簡 Prometheus 的指標和存盤占用

前言

思路