背景
随着流量业务的高速发展以及已经到来的5G时代，业务支撑系统的规模不断增大、服务不断增多，业务、应用和系统运行性能指标数据持续以指数级的速度增长，每日计费话单量已突破百亿。系统监控的实时性、准确性的能力不足成为运维工作的瓶颈。
江苏移动IT运维团队以SRE理念为指导，结合实时监控“高并发写入”、“低查询延时，高查询并发”、“轻量级存储”等实际诉求，深入研究时序数据库的特性和适用程度，打造符合自身系统运维特点的性能管理平台，实现百亿级话单处理过程的实时全景监控分析。
时序库选型
目前市场较流行的时序数据库产品有Prometheus、Graphite、InfluxDB、OpenTSDB等，我们比对了这些产品的使用范围、优缺点。
通过比较，我们发现Prometheus最适合搭建BOSS运维监控系统。单个的Prometheus实例就能实现每秒上百万的采样，同时支持对于采集数据的快速查询。Prometheus对于采样数据进行压缩存储，16字节的采样数据平均只需要1.37个字节的存储空间，极大减少了存储资源占用。查询实时数据时，磁盘I/O平均负载小于1％。
性能管理平台架构设计
本方案中运维人员以Prometheus时序库为中心，实现与应用相关的所有实时监控数据的采集、清洗、存储，并实时展现系统总体和各环节、各独立应用处理性能、趋势性的预测和智能分析，准确掌握系统运行健康度。
1、根据业务系统的部署，我们在双中心各部署一套Prometheus集群。
2、对于系统、应用日志、Java应用我们采用拉取方式采集指标数据；对于应用、业务、组件的性能指标数据采用推送网关（pushgateway）暂存数据，然后再由Prometheus拉取的方式采集。
3、为保证实时采集和查询的高性能，采集Prometheus时序库中保存短期内较近数据，同时写入一份到远程的历史时序库中。
4、可视化展示和实时告警通过负载均衡从Prometheus和历史库中采集数据。
适配性改造
在部署和使用过程中我们发现原生Prometheus存在一些不足，为此我们进行了一些适配改造工作。
1、夯实高可用能力： 原生的Prometheus部署都是单点的，不足以保证数据可用性，为此我们通过服务注册的方式实现了Prometheus的高可用性。集群启动时每个节点都尝试获取锁，获取成功的节点成为主节点执行任务，若主节点宕机，从节点获取锁成为主节点并接管服务。
2、优化数据存储方式： 在Prometheus节点上保存短周期数据用于告警实时触发和展现，引入InfluxDB用于实时传输并保存长周期的历史数据，保证采集数据的连续性并为后续数据挖掘提供资源支撑。
3、自研改造推送网关组件： 在实际使用过程中我们发现推送网关（pushgateway）中的数据有较大概率被重复采集到Prometheus中，容易产生错误的性能数据和误告警。为此我们在Prometheus的采集方法中增加从pushgateway拉取数据后主动删除数据的保障机制，确保数据采集的唯一性。
4、拓展集成数据展示方式： 性能数据可视化展示原先采用Grafana原生组件，但是使用过程中发现插件配置灵活性不足，难以展现多种形式关联指标数据的情形。因此我们自研了可视化工具，实现涵盖系统、应用、业务性能等多维度指标的个性化展示，实时掌控系统健康状态。
5、更改时区： 原生的Prometheus查询指标时页面显示的指标趋势图是根据GMT时间显示的，与北京时间相差8小时，为此我们将源码中获取时间的方式修改成从本地系统时间获取，成功解决了该问题。
指标采集范围
结合实际运维场景及需求，整体指标采集分为两个方面，性能指标和业务指标：
实时展示
通过对各类指标数据加工汇聚，生成BOSS系统健康度统一视图， 涵盖各应用性能、业务量、各类服务调用量及响应时间等，可以灵活通过多种维度实时展示指标数据，支持下钻到具体应用、具体进程性能指标，快速实时掌握第一手运维监控数据，实现“运维监控一张图”，大幅提升系统监控和分析效率，有效节约运维人力资源。
趋势预测及异常检测
海量的性能时序数据是运维的宝贵数据资产沉淀，对基础数据进行有效的建模分析和规划，辅以合理的算法学习，实现部分场景的智能化分析和监测，将大幅提升运维效能，目前已应用于以下运维场景：
1、性能预测： 通过对应用处理速度的实时监控、历史数据比对分析，自动计算应用处理最大速度，实时准确预测完成待处理话单所需时间。
2、业务趋势预测： 通过对时序库中存储大量系统和业务指标数据按天、周、月维度进行平均、加权序时平均、移动平均、加权移动平均、特列统计等分析，预测未来话单处理趋势、系统资源利用趋势，为系统容量管理提供合理依据。
3、异常检测： 通过对数据进行环比分析、同比分析、均值变化分析、相同时间窗口内数据的均值和标准差分析、局部数据波动分析、周期性特征分析等算法及时发现业务处理异常。
总结与展望
目前性能管理平台能满足每秒10万级的监控指标入库，支撑百亿级话单处理过程的实时监控。可通过对这些海量数据的分析，实现容量、性能、故障的精准定位和预测，并前置性地做好应对措施以规避问题的产生和蔓延。
该性能平台已成功应用在BOSS系统，未来将进一步总结经验并持续改进提升，陆续向其他业务支撑领域和管信领域进行推广。
作者丨王娟、王鑫、田叔
来源丨IT运维新视界（ID：gh_44ebc0cc0179）
