如何进行监控设计？
------转自高楼大神的性能监控--------------------------------------------------------------------------------------------------------------------------------------------------------------------
在性能测试中，我觉得监控是非常重要的环节。因为这是做性能分析的前提，走出这一步，才有后面的分析。
监控是性能分析承上启下的关键点。设计监控是我们性能测试工程师必须要做的事情。当然了，仅仅设计监控是不够的，还要看懂监控数据才能分析。我们将在后面的篇幅一一拆解。
我觉得性能测试工程师也一定要自己去实现一遍监控的环节，而不是直接用其他团队搭建的监控工具。你可以自己找个 demo 服务器做一遍，这样才能真正理解后续要关注的点在哪里。
监控平台还指望别人给搭好，点个链接就能出数据了，这显然不是一个技术人员该有的样子。
监控设计步骤
如果要让性能测试人员设计监控逻辑，要如何做呢？首先，你要分析系统的架构。在知道架构中使用的组件之后，再针对每个组件进行监控。其次，监控要有层次，要有步骤。有些人喜欢一上来就把方法执行时间、SQL 执行时间给列出来，直接干到代码层，让人觉得触摸到了最顶级的技能。然而在我的工作中，通常不这么做，应该是先全局，后定向定量分析。最后，通过分析全局、定向、分层的监控数据做分析，再根据分析的结果决定下一步要收集什么信息，然后找到完整的证据链。这才是监控应该有的步骤，才能体现监控的价值。
监控技术图谱
这张图是我认为在一个性能测试中，该有的技术图谱。
从这个图中我们可以看到，除了压力工具之外，还有很多技术细节。
通常在各种场合下，我都会说，这些都是我们要学习的范围，做性能分析的人，不一定能完全能掌握这些内容，那你所在的性能团队就应该有这样的能力。
因为性能团队要推进瓶颈的定位解决，所以要有和其他团队正面沟通的能力。下面我们就以具体的操作过程来说明设计的落地过程。现在的流行框架（比如说 Spring Cloud）中的熔断监控、限流服务、服务健康检查／监控、链路监控、服务跟踪、聚合监控等等，都是非常好的监控手段。比如说下面这样的架构图：
这是比较常见的微服务技术架构。其中很多开源工具已经提供了监控的能力。
对技术的发展，我们要拥抱。但对思路的梳理更为重要，因为框架平台工具都是为了实现目标而存在的。在本篇中，我们还是回归根本，说一下监控设计的思路，讲清楚性能测试中应该如何拆分监控的点。当你看完了之后，即使是面对不同的架构，也有监控部署的思路。
架构图
那么我们就来到开始的位置了。做性能监控之前，先画一个最简单的架构图，看一下架构中各有什么组件，各有什么服务，将这些列下来，再找对应的监控手段和方式，看哪种手段和方式在性能测试过程中成本最低，效率最高。
如果把性能归到测试的这个阶段，那就必须先考虑测试的具体情况。
有些企业因为有长期的积累，监控平台完整又稳定，那显然是最好的。如果是短期项目类的性能测试，又涉及到多方企业的，基本上不要想有完整成熟的监控平台这件事了。
但是不管怎么样，我们都需要拿到架构的全局监控数据。针对下面的这个不大的架构，我们来考虑下如何拆分。
需要监控的内容如下：
- 操作系统
- Nginx
- Tomcat
- Redis
- MySQL
下面我就来细化下这个简单架构的监控设计。
监控设计
下图可以大概说明我对监控的整体设计理念。
我来说明一下：
我们要对整个架构做分层。
在每一个层级上列出要监控的计数器。
寻找相应的监控工具，实现对这些计数器的监控。
如果一个工具做不到，在定位过程中考虑补充工具。
要做到对每层都不遗漏。
从大的分类上来看，我们识别出每个监控的节点和层级，再对应到架构中，如下图所示：
最适合的监控方式是什么样的呢？那就是成本最低，监控范围最大，效率最快。而是否持久就不再是考虑的重点了，因为项目结束了，监控工具可能也被拆了。
在企业中，我们也是首先考虑快速的监控实现。但是，还要一点要考虑，就是监控的持久有效性，能一直用下去。所以，在快速实现了之后，在必要时，会做一些二次开发，定制监控。
对了，这里再提一句，我不建议一开始就把代码级的监控给加进来。不光是因为它消耗资源，更重要的是，真的没有太大的必要。像方法的执行时间这类监控，如果没有定位到它们有问题，我们为什么要去看呢？当我们有了证据链的时候，是不是更一针见血呢？
所以最重要的是，我想看到的数据，到底能不能看得到。
对于上述的每个组件，我都建议用下面这样的监控思路。敲黑板！下图是重点！
有人可能会想说：就这几个字还值当画个图吗？我觉得非常有必要。因为全局到定向的思路帮我解决了很多的问题。
全局监控设计
OS 层（CentOS 为例）
就拿 OS 来说吧，我们一般进到系统中，看的就是 CPU、I/O、内存、网络的使用率，这是很常规的计数器。在很多人看来，这些计数器是可以反应出一个系统的全局健康状态的。
先不管通过这些计数器得到的结论是不是对的。我们首先要知道的是，要有这样全局监控的潜意识，之所以说潜意识，是因为很多人不知道为什么看这些，但还是这样看了。那么实际上做一个 OS 的全局监控需要看多少个计数器呢？我们看下架构图。
因为新版内核没有给更细的内核架构图，所以我用 2.6.26 版本的 Linux 内核架构图来说明思路。
给这张图的目的就是建议先看架构图，再考虑要监控的大分类有多少。
从上图中，我们可以看到有这么几类，system、processing、memory、storage、networking 等。
这里画出一个思维导图，给出我的经验计数器。
针对 OS，我通常看上图中红色计数器的部分，这是 OS 查看的第一层。有第一层就有第二层，所以才需要定向的监控。后面我们再说定向监控的思路。
DB 层（MySQL 为例）
我们再说 DB层，以 MySQL 为例。和上面的理念一样，我们也要看架构图。
此图来自于 MySQL 官方，各大技术网站均有展示。
接着我们看下全局监控的分类，如下图所示：
同样，这也是 MySQL 全局监控的第一层。这个内容的整理并不具有什么技术性。稍微了解一下 Linux 和 MySQL 的架构，就可以整理出来。我们依此类推，按照这个思路，就可以把其他的组件都整理出第一层监控组件。有了全局监控，接着就是定向监控了。这是寻找证据链的关键一节。
定向监控
有了 OS 层的全局监控计数器，我们首先要学会的，就是判断这些计数器说明了什么问题。我在第三模块中写监控分析工具，会详细说明这部分。这里呢，我先把定向监控细化地解释一下，把这个思路给你讲得明明白白，通通透透。
OS 层之定向监控细化 1
当你看到 CPU 消耗得多，那么你就得按照下面这张图细化思路（从左向右看）：
列出流程图来就是如下所示：
st=>start: 开始
e=>end: 结束
op1=>operation: 通过si CPU找到对应的软中断号及中断设备
op2=>operation: 再找到软中断对应的模块
op3=>operation: 再到模块对应的实现原理
op4=>operation: 给出解决方案
st->op1->op2->op3->op4->e
OS 层之定向监控细化 2
当你看到 OS 全局监控图中的 Network 中的 Total 总流量比较大时，就要有这样的分析思路（从右向左看）：
列出流程图来就是如下所示：
st=>start: 开始
e=>end: 结束
op1=>operation: 网络总流量
op2=>operation: 分析性能场景中的业务流量
op3=>operation: 分析网络带宽
op4=>operation: 分析网络队列
op5=>operation: 解决方案
st->op1->op2->op3->op4->op5->e
依此类推，就可以列出更多 OS 层的定向监控分析的思路。
DB 层之定向监控细化 1
同 OS 层的定向监控细化思路一样，在 DB 层中要想找到完整的链路，那么在 MySQL 中也必须把逻辑想明白。
当你发现查询和排序的报表有问题时，比如说下面这样（数据来自于 MySQL Report）：
__ SELECT and Sort _____________________________________________________
Scan 7.88M 2.0/s %SELECT: 38.04
Range 237.84k 0.1/s 1.15
Full join 5.97M 1.5/s 28.81
Range check 913.25k 0.2/s 4.41
Full rng join 18.47k 0.0/s 0.09
Sort scan 737.86k 0.2/s
Sort range 56.13k 0.0/s
Sort mrg pass 282.65k 0.1/s
居然每秒就能有 2 次全表扫描！那该怎么办呢？定向细化，如下所示：
相信这样常规的动作，你肯定能掌握得了。那么来看下一个。
DB 层之定向监控细化 2
当你看到锁数据的时候，如下所示：
__ InnoDB Lock _________________________________________________________
Waits 227829 0.1/s
Current 1
Time acquiring
Total 171855224 ms
Average 754 ms
Max 6143 ms
下面我也同样列出定向监控细化的思路。
分析产生锁的 SQL，看 SQL 的 Profiling 信息，再根据信息找下一步原因，最终给出解决方案。
有了上面的全局—定向监控思路，并且将每个组件的第一层的计数器一一列出。这是我们监控分析的第一步。
至于定向监控部分，我不建议一开始就列，主要原因有三个：
- 耗费太多时间；
- 列出来也可能半辈子也用不上；
- 照搬列出来的定向监控逻辑，有可能误导你对实时数据的判断。
所以最好的定向监控就是在实际的性能执行过程中，根据实际的场景画出来。这帮助我在工作中无往不利，理清了很多一开始根本想不到的问题。
监控工具
有了思路，工具都不是事儿。针对上面我们画的架构图，我大概列出相应的监控工具及优缺点。这里列得并不详尽，只供借鉴思路使用。
如果要选择的话，肯定是用 Prometheus + Exporter 的思路会好一点。于是我们这样实现全局的监控。
OS：
DB：
Nginx：
Redis：
Tomcat：
好了，有了这些监控工具，基本上对每个组件的全局监控就解决了。
这时可能会有人说，你这个架构也太不新潮了。现在都玩 Kubernetes、Docker、Spring Cloud、微架构啥的了。
那同样，我们还是要列出有哪些监控的组件。
Node：
就是 OS；
Cluster；
Pod；
微服务链路。
然后再实现相应的全局监控。我们可以在 Kubernetes+Docker 下可以看到这样的部分全局监控数据。
DashBoard：
Cluster：
Pod：
微服务链路：
那么具体的定向监控细化呢？在你的具体场景中，照样可以通过上面的思路标识出来。有人说，那我还有什么什么组件，相信你通看全篇，已经学会思路了，那就自己动手吧。我想说的是，不管你的架构有多么复杂，组件有多少，这样的监控逻辑都是一定要有的。适合的工具要用，并且尽量多用，但工具还远远替代不了分析的思维逻辑。没有判断的能力，再强悍的工具也只是个花架子。
总结
在本篇中，我描述了监控设计的思维逻辑。对架构中的组件进行了分析之后，通过全局—定向的思路列出要看的计数器，再通过相应的监控工具去实现，拿到要分析的数据。
这就完成了要做的监控设计和具体实施。至于你是用什么工具去实现的，这并不重要，因为拿到监控数据，可供分析证据链最重要。
