实战Nagios NSCA方式监控Linux系统资源使用情况 -- Nagios配置篇 -- 被监控端

Nagios要求被监控端依照约定格式定时将数据发送到Nagios端。

监控包含节点和服务2种。

节点监控约定数据格式例如以下：
[<timestamp>] PROCESS_HOST_CHECK_RESULT;<host_name>;<host_status>;<plugin_output>

格式非常easy理解，数据提交时间戳，被监控节点名称，节点状态(UP/DOWN/UNREARCHABLE)。插件自己定义的额外数据。

状态详细每一个字段的解释例如以下：
1. timestamp is the time in time_t format (seconds since the UNIX epoch) that the host check was perfomed (or submitted). Please note the single space after the right bracket.
2. host_name is the short name of the host (as defined in the host definition)
3. host_status is the status of the host (0=UP, 1=DOWN, 2=UNREACHABLE)
4. plugin_output is the text output of the host check

服务监控约定数据格式例如以下：
[<timestamp>] PROCESS_SERVICE_CHECK_RESULT;<host_name>;<svc_description>;<return_code>;<plugin_output>

数据提交时间戳，被监控节点名称，被监控的服务名称，服务状态(OK/WARNING/CRITICAL/UNKNOWN)，插件自己定义的额外数据。

详细每一个字段的解释例如以下：

1. timestamp is the time in time_t format (seconds since the UNIX epoch) that the service check was perfomed (or submitted). Please note the single space after the right bracket.
2. host_name is the short name of the host associated with the service in the service definition
3. svc_description is the description of the service as specified in the service definition
4. return_code is the return code of the check (0=OK, 1=WARNING, 2=CRITICAL, 3=UNKNOWN)
5. plugin_output is the text output of the service check (i.e. the plugin output)

插件自己定义的额外数据要特别说明下，它的目的是告诉Nagios被监控节点的更细节信息，包含状态细节或者失败原因，以及性能数据。

它的格式例如以下：

SERVICE STATUS: First line of output | First part of performance data

output能够自己定义显示更加具体的监測数据，显示在Nagios的status Information栏。

Performance data显示在Performance Data栏，它就有特殊的格式要求，具体结构例如以下：

'label'=value[UOM];[warn];[crit];[min];[max] 'label'=value[UOM];[warn];[crit];[min];[max]

每一个'label'，value组合由空格分开，在我们系统中没有额外定义性能数据的UOM,warn,crit,min,max。详细含义能够參考：https://nagios-plugins.org/doc/guidelines.html#PLUGOUTPUT

我们系统中服务用的是被动。节点用的是主动ping，接下来说说我们系统中怎样监控被监控节点的CPU，Memory，IO，Network使用情况，以CPU数据收集为主要解释对象：

CPU

先看看发送数据长什么样：
[1402018148] PROCESS_SERVICE_CHECK_RESULT;192.168.0.6;CPU_Status;0;STATISTICS OK : user=52.02% system=9.72% iowait=0.20% stealed=0.20% idle=35.02% | user=52.02%;;;; system=9.72%;;;; iowait=0.20%;;;; stealed=0.20%;;;; idle=35.02%;;;;
结合上面的数据格式，我们能够知道，这条数据是在1402018148（UNIX时间）被监控端发送的一条Service check数据。从节点192.168.0.6发送出来的，server description是CPU_Status，返回结果是0（OK），output具体说明数据统计成功，这次检測中用户进程占用了CPU的52.02%。内核进程占用了9.72%，idle了35.02%，没有达到WARNING的阀值（非IDLE的CPU占用率70%）。

同一时候在符号|后面依照性能数据格式传输了性能数据，我们仅仅关心了各种CPU使用情况，不关心统计的其它内容，所以都置位空。

接下来说说详细实现
1. 数据收集，系统从/proc/stat收集数据，这里不解释太多/proc/stat的细节，大概说下它的数据结构

cat /proc/stat
nagios:/usr/local/nagios/var/rw # cat /proc/stat
cpu  3793272 14468 2247200 1691101331 60064 0 929 363857 0
cpu0 947929 2161 571867 422672541 57686 0 569 142613 0
cpu1 1012031 5207 579405 422725361 828 0 121 72264 0
cpu2 953097 4324 557950 422803715 752 0 117 75309 0
cpu3 880213 2775 537976 422899713 797 0 120 73670 0
intr 395106792 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
......

參数 解释
user: 从系统启动開始累计到当前时刻，用户态的CPU时间（单位：jiffies） ，不包括 nice值为负进程。1jiffies=0.01秒
nice: 从系统启动開始累计到当前时刻。nice值为负的进程所占用的CPU时间（单位：jiffies）
system： 从系统启动開始累计到当前时刻，内核执行时间（单位：jiffies）
idle： 从系统启动開始累计到当前时刻。除硬盘IO等待时间以外其他等待时间（单位：jiffies）
iowait： 从系统启动開始累计到当前时刻。硬盘IO等待时间（单位：jiffies） ，
irq： 从系统启动開始累计到当前时刻。硬中断时间（单位：jiffies）
softirq： 从系统启动開始累计到当前时刻，软中断时间（单位：jiffies）
steal_time：  Stolen time, which is the time spent in other operating systems whenrunning in a virtualized environment
guest： Time spent running a virtual CPU for guestoperating systems under the control of the Linux kernel 

我们的做法非常easy，读取第一行CPU信息，统计5秒钟2次/proc/stat的差值。计算我们关心的user,system,idle,iowait,idle,steal_time所占总CPU时间的百分比

2. 按服务的四种状态阀值组装发送数据

cpu使用率大于90%，CRITICAL

cpu使用率大于70%小于90%，WARNING

cpu使用率小于70%，OK

cpu使用率获取失败，UNKNOWN

# Check if CPU Usage is Critical/Warning/OK
if cpu_usage_percent >= 90:
    return_code = pynsca.CRITICAL
    plugin_output = 'STATISTICS CRITICAL : '
elif  cpu_usage_percent >= 70:
    return_code = pynsca.WARNING
    plugin_output = 'STATISTICS WARNING : '
elif cpu_usage_percent >= 0: 
    return_code = pynsca.OK
    plugin_output = 'STATISTICS OK : '
else
    return_code = pynsca.UNKNOWN
    plugin_output = 'STATISTICS UNKNOWN: '

3. 发送数据到Nagios端

plugin_output += 'user=%(user).2f%% system=%(system).2f%% iowait=%(iowait).2f%% stealed=%(steal_time).2f%% idle=%(idle).2f%% | user=%(user).2f%%;;;; system=%(system).2f%%;;;; iowait=%(iowait).2f%%;;;; stealed=%(steal_time).2f%%;;;; idle=%(idle).2f%%;;;;' % cpu_stat_map

#print plugin_output
nscaClient = pynsca.NSCANotifier(nagios_address)
nscaClient.svc_result(cmd_options.local_address, service_description, return_code, plugin_output)

4. 加入crontab job。每分钟发送一次CPU数据到Nagios端。

*/1 * * * * /home/nagios/check_cpu_status.py >/dev/null 2>&1

Note: 真正的脚本还须要考虑可移植性。被监控机器节点名称。阀值等必须參数化。监控多样性，能够仅仅监控当中一个核，增加>/dev/null 2>&1是为了去除crontab的邮件通知

Memory

[1402017111] PROCESS_SERVICE_CHECK_RESULT;192.168.0.6;Memory_Status;0;OK: Used memory percentage is 37.2979746597% (2935 MiB) | usedMemory=37.2979746597%;80;90;;

Memory每分钟查看一次/proc/meminfo，从total-free-buffers-cached得出正在被用的memory，看它占用总内存的百分比，超过80%报WARNING。90%报CRITICAL

nagios:/usr/local/nagios/var/rw # cat /proc/meminfo
MemTotal:        8401536 kB
MemFree:         6881104 kB
Buffers:          190732 kB
Cached:           497344 kB
*/1 * * * * /home/nagios/check_mem.py >/dev/null 2>&1

Disk

[1383817502] PROCESS_SERVICE_CHECK_RESULT;192.168.0.6;Disk_Status;0;STATISTICS OK : "MOUNT/"Usage=40% | "MOUNT/"Usage=40%;80;90;;

Disk每十分钟运行一次：“df -h”，查看磁盘Use%，超过80%报WARNING。90%报CRITICAL

IO & IOPS
[1383817420] PROCESS_SERVICE_CHECK_RESULT;192.168.0.6;IO_Status;0;STATISTICS OK : await=0.00% util=0.00% | await=0.00%;;;; util=0.00%;;;;

IO每分钟运行一次：“iostat -xkd”，获取磁盘rkB/s（读取数据速率）, wkB/s（写入数据速率），await（请求响应时间）和util（CPU用来处理IO的时间百分比）信息

[1399532518] PROCESS_SERVICE_CHECK_RESULT;192.168.0.6;IOPS_Status;2;STATISTICS CRITICAL : iops=58.0 | iops=58.0;;;;

IOPS每分钟运行一次：“iostat”，获取磁盘io tps信息

Note: 须要安装sysstat

iostat命令详细使用參考

Bandwidth

[1399532517] PROCESS_SERVICE_CHECK_RESULT;192.168.0.6;Bandwidth_Status_eth1;0;STATISTICS OK : - The Traffic In is 0.8Kbps, Out is 0.53Kbps, Total is 1.33Kbps.|In=0.8Kbps;;;0;0 Out=0.53Kbps;;;0;0 Total=1.33Kbps;;;0;0

Bandwidth和CPU类似，通过计算一段时间内/proc/net/dev的tx,rx以及total的数值差除以时间间隔得到吞吐量。

JVM Heap

[1399533015] PROCESS_SERVICE_CHECK_RESULT;192.168.0.6;Heap_Status;0;OK: Used heap percentage is 50.3057759255% (1054988 MiB) | usedHeap=50.3057759255%;90;98;;

我们系统用的是weblogic，能够通过weblogic.Admin获取JVM的信息 （weblogic.Admin GET -pretty -type JRockitRuntime | egrep 'FreeHeap|UsedHeap|TotalHeap'），如今系统比較关注的信息就是heap使用情况。

看看终于Nagios中的数据样子（以某节点以及节点的CPU Service数据为例）：

题外话： 另外非常多客户都有自己的监控系统，他们的系统不止监控CPU，内存这些硬件资源的使用情况，还会扫描系统日志。看看是否有error/warning，扫描系统开启的port和服务。是否符合安全规范，比方是否有能够匿名直接登陆的ftp。在总体系统设计的时候要千万小心操作系统应该打开多少服务。日志的打印也要精心设计。

第一篇： Nagios 使用介绍
第二篇： Nagios配置篇 -- Nagios Server端