https://blog.csdn.net/TM6zNf87MDG7Bo/article/details/79466449
1、 为什么须要监控系统
作为运维者，第一个接触的基本上是监控平台，各种各样的监控。看各种各样的指标。好像没有监控就认为不正常。那么为什么须要监控呢？
监控：预防故障，比如当磁盘空间增长到一定的程度的时候，就会产生故障，这个时候监控系统的作用就是当达到一个阀值的时候，发出告警，然后进行处理。
监控：预測变化趋势，比如我的分布式文件系统，每天数据增长1T空间，那么我总共同拥有多少空间。剩余空间大小，是否要进行扩容等操作。
监控：当故障发生的时候，能提供给我基本信息给与我排查的思路。比如redis不可读。能否看到是哪个实例，能看到相关的日志信息，能測试是否刻读写。能查看哪个是master。
监控：监控系统关键指标，比如对于webserver来说，响应速度，来推断是否中间件有问题，是否数据库有问题。还是网络有问题；活跃的用户数，每天我的站点有多少用户訪问；有多少新注冊的用户。
2、 怎样选择监控系统
看过好多监控系统，各种各样的公司使用的监控系统各不一样。有的用nagios。有的用zabbix，有的自研。so much more choice。。。
选择监控系统的时候。无非是须要几个特性的支持：
是否支持多主机监控。比如监控一个分布式系统的集群。
是否支持多维度的数据分析，比如一个主机上有多少个容器。一个主机上容器总共使用了多少内存，每一个容器又使用了多少内存。
是否支持各种各样的告警方式，设置一个阀值，能够声音告警，能够颜色告警，能够邮件通知，能够短信通知，能够短信通知。能够电话通知
是否支持告警过滤或者屏蔽。当一个告警是同样的时候。充斥着大量的告警，平台是否支持临时忽略。或者仅仅通知几次，后面在界面上显示告警的内容，開始发生的时间，发生的次数。
3、 告警系统的优化
当一个告警系统每天发出的告警数量超过10条。是不是应该优化？这个主要看运维的人数，假设每一个告警都须要人工进行干涉，那么这个告警数量可能过多，要么优化运维的系统。要么把开发增加运维的团队中进行on call。
当一个告警系统每天发出的误报数量在5条以上。怎样优化？假设是正常的动作导致，那就不应该告警，比如在进行公布应用的时候，一个port down，这样的告警就不应该发生，应该做到自己主动屏蔽。
当一个告警系统发出了迷惑性的告警，何为迷惑性，就是监控平台发出了告警。可是却找不到明白的错误信息，那么这样的告警必须进行优化，在告警的时候，应该给出详细的报错信息。总是有人喜欢自己定义告警，然后不给出本来的报错信息。非要进行封装一层。。。。
自作聪明。
。。
从现象直接能看到本质问题，这样的告警平台是最好的。
4、 容器的监控
对于一个容器系统，我须要监控哪些指标？
宿主机的负载，内存，CPU，磁盘，网络；
容器数量。容器的执行状态。容器的使用的内存，进程，cpu，网络，磁盘。
事实上。当你使用了k8s管理平台之后。可能你会发现。这样的监控可能没有太大的含义。。
。
当使用了这样的重量级的管理平台之后，都是有自愈功能的。。
。
。就是当一个容器里面执行着java进程，OOM被杀之后。k8s的管理平台会自己再次创建一个容器，自己主动进行dns解析，自己主动进行负载均衡，自己主动进行服务。。。self-healing。
。。金刚狼的能力。
。
。
分析OOM，那是媛们的事情。。
。这个时候，运维在干啥，无须进行人工干涉。传统运维都是出现OOM，手动重新启动下java进程，如今。。。。运维平台自己干活了。
。
期望状态？你期望服务是什么状态，它会自己主动进行调度到终于的状态。。
。
你要几个副本进行负载均衡，就给你几个。
你要进行升级，自己主动rolling进行更行，先创建一个高版本号的镜像。然后删除一个实例容器，负载均衡增加轮询。。。怕公布的时候中断服务？那是不可能的，7*24。
。so easy。。。
要进行扩容。都不须要手动进行处理。能够依据流量自己进行推断，流量太高了，就自己主动进行创建容器。进行负载均衡。。
。
。流量减少了，自己主动销毁容器。进行负载均衡。。。
对于这样的能自我管理的应用或者服务，还须要监控么。
。。
。
充其量。
。。
仅仅要做好响应的规划就好了。给你多少内存。给你多少CPU。给你多少磁盘，偶尔看看增长趋势。。。。so。。。
可是。。。在出现问题的时候，还是须要告警平台。。。
适用的场景不同。从而选择不同。当你须要一个能使用shell直接连接的时候。监控工具weavescope。非常是美丽。。
。
当你须要进行多纬数据分析的时候，而且设定阀值，自己主动进行告警的时候，那么prometheus还是非常酷的。
5、 IAAS的监控
在非常多的时候。构建一个IAAS平台。一种自我測试的监控系统，那是相当酷的。。。我喜欢
何为自我測试呢？
比如构建了分布式的文件系统。相隔几分钟，自己上传一个文件，訪问文件，删除文件，假设这个測试能通过。那么表示基础设施全然正常。
比如构建一个DAAS。数据库即服务。那么相隔几分钟，自己创建一个mysql的master和slave。然后写入数据，HA切换。然后删除。假设这个測试能通过。那么表示基础服务全然正常。
这样的思想还是极好的。
监控平台怎样构建？不想大段的论述了，据我所知，python。