n9e告警可高用的实现机制分析

n9e=nightingale

n9e监控告警框架，提供了监控绘图、监控告警以及通知等一体的监控运维体系，在云原生时代，可以认为是Open-falcon的升级版。

一. 告警的数据流

指标存储：使用push模式

• categraf采集后push给n9e-server；
• n9e-server将指标值push给时序库prometheus；

指标告警：使用pull模式

• 由n9e-server使用PromQL向prometheus进行查询；
• 若查询到结果，表示告警被触发；

二. 告警实例的高可用

告警配置被存储在MySQL中，n9e-server从MySQL中读出，然后查询其中的PromQL，判定告警是否被触发。

1. 问题

类似于prometheus，当部署多个n9e-server实例后，若每个n9e-server都进行上面的告警判定过程，会导致每个n9e-server上都有告警产生。

prometheus是通过alertmanager进行告警去重的，那n9e-server是如何实现的呢？

2. 解决

n9e-server通过heartbeat+一致性hash，对告警规则进行分片，每个n9e-server只负责自己实例的告警规定的判定。

• 当n9e-server有实例加入时，已有的n9e-server实例会进行rehash，让新节点负责一部分告警规则；
• 当n9e-server有实例退出时，所有的n9e-server实例会进行rehash，退出节点的告警规则被分给存活的节点；

Heartbeat:

• n9e-server实例启动一个heartbeat线程，定期的上报自己的状态并存储在MySQL中；
• 若发现进程内保存的实例列表与MySQL的实例列表不同，说明发生了节点变化，则进行rehash；

一致性hash:

• 对某个datasource，比如prometheus-a1，有N个n9e-server注册进来，则将N个n9e-server组成一致性hash环；
• 对某个告警规则，使用rule.id进行一致性hash，命中到哪个n9e-server实例，就由其进行告警判定；

三. 源码分析

实现代码主要在alert/naming/*.go。

在做告警判定时，对每个告警规则：

• 若rule不归本节点负责，则跳过；

// alert/eval/alert_rule.go
func (s *Scheduler) syncAlertRules() {
    ids := s.alertRuleCache.GetRuleIds()
    alertRuleWorkers := make(map[string]*AlertRuleWorker)
    externalRuleWorkers := make(map[string]*process.Processor)
    for _, id := range ids {
        rule := s.alertRuleCache.Get(id)
        if rule == nil {
            continue
        }
        if rule.IsPrometheusRule() {
            datasourceIds := s.promClients.Hit(rule.DatasourceIdsJson)
            for _, dsId := range datasourceIds {
                // 判定rule是否归本节点负责
                if !naming.DatasourceHashRing.IsHit(dsId, fmt.Sprintf("%d", rule.Id), s.aconf.Heartbeat.Endpoint) {
                    continue
                }
                ...
            }
        }
        ...
    }
    ...
}

1. 一致性hash

一致性hash的key=rule.id，根据key判断该rule是否归本节点负责：

// alert/naming/hashring.go
func (chr *DatasourceHashRingType) IsHit(datasourceId int64, pk string, currentNode string) bool {
    node, err := chr.GetNode(datasourceId, pk)
    ...
    return node == currentNode
}

根据key确定节点的过程：

• 对每个datasource，都有一个hash环：
• 先找到datasource对应的hash环；
• 再在hash环中找负责的节点；

// alert/naming/hashring.go
func (chr *DatasourceHashRingType) GetNode(datasourceId int64, pk string) (string, error) {
    chr.Lock()
    defer chr.Unlock()
    _, exists := chr.Rings[datasourceId]
    if !exists {
        ...
    }
    return chr.Rings[datasourceId].Get(pk)
}

hash环的构造在heartbeat中。

2. heartbeat

n9e-server中开启一个goroutine，专门进行heartbeat：

• 默认1s执行1次；

// alert/naming/heartbeat.go
func (n *Naming) loopHeartbeat() {
    interval := time.Duration(n.heartbeatConfig.Interval) * time.Millisecond
    for {
        time.Sleep(interval)
        if err := n.heartbeat(); err != nil {
            logger.Warning(err)
        }
    }
}

heartbeat的过程：

• 对每个datasource，查找其关联的最新的n9e-server列表=newss；
• 跟缓存的oldss对比，若有变化，则对server进行rehash，重新构造hash环；

// alert/naming/heartbeat.go
func (n *Naming) heartbeat() error {
    // 在页面上维护实例和集群的对应关系
    datasourceIds, err = models.GetDatasourceIdsByEngineName(n.ctx, n.heartbeatConfig.EngineName)

    for i := 0; i < len(datasourceIds); i++ {
        servers, err := n.ActiveServers(datasourceIds[i])
        ...
        sort.Strings(servers)
        newss := strings.Join(servers, " ")

        oldss, exists := localss[datasourceIds[i]]
        if exists && oldss == newss {
            continue            // 没有变化
        }

        RebuildConsistentHashRing(datasourceIds[i], servers)    // rehash
        localss[datasourceIds[i]] = newss
    }
    return nil
}

查询datasource关联的最新n9e-server的过程：

• 实际上就查询alerting_engines表，找目标datasource对应的记录，要求30s内有心跳；

// alert/naming/heartbeat.go
func (n *Naming) ActiveServers(datasourceId int64) ([]string, error) {
    ...
    // 30秒内有心跳，就认为是活的
    return models.AlertingEngineGetsInstances(n.ctx, "datasource_id = ? and clock > ?", datasourceId, time.Now().Unix()-30)
}

func AlertingEngineGetsInstances(ctx *ctx.Context, where string, args ...interface{}) ([]string, error) {
    var arr []string
    var err error
    session := DB(ctx).Model(new(AlertingEngines)).Order("instance")
    if where == "" {
        err = session.Pluck("instance", &arr).Error
    } else {
        err = session.Where(where, args...).Pluck("instance", &arr).Error
    }
    return arr, err
}

mysql> select * from alerting_engines;
+----+----------------------+---------------+----------------+------------+
| id | instance             | datasource_id | engine_cluster | clock      |
+----+----------------------+---------------+----------------+------------+
|  2 | 192.168.100.20:17000 |      99999999 | default        | 1690537360 |
|  3 | 192.168.100.20:17000 |             1 | default        | 1690537360 |
|  4 | 192.168.100.20:17000 |             2 | default        | 1690537360 |
+----+----------------------+---------------+----------------+------------+
3 rows in set (0.00 sec)

n9e-server实例，在heartbeat的过程中，会将自己注册进去：

// alert/naming/heartbeat.go
func (n *Naming) heartbeat() error {
    ...
    for i := 0; i < len(datasourceIds); i++ {
        err := models.AlertingEngineHeartbeatWithCluster(n.ctx, n.heartbeatConfig.Endpoint, n.heartbeatConfig.EngineName, datasourceIds[i])
        if err != nil {
            logger.Warningf("heartbeat with cluster %d err:%v", datasourceIds[i], err)
        }
    }
    ...    
}

func AlertingEngineHeartbeatWithCluster(ctx *ctx.Context, instance, cluster string, datasourceId int64) error {
    ...
    var total int64
    err := DB(ctx).Model(new(AlertingEngines)).Where("instance=? and engine_cluster = ? and datasource_id=?", instance, cluster, datasourceId).Count(&total).Error
    ...
    // 没有记录，则insert
    if total == 0 {
        // insert
        err = DB(ctx).Create(&AlertingEngines{
            Instance:      instance,
            DatasourceId:  datasourceId,
            EngineCluster: cluster,
            Clock:         time.Now().Unix(),
        }).Error
    } else { // 否则，update最新时间
        // updates
        fields := map[string]interface{}{"clock": time.Now().Unix()}
        err = DB(ctx).Model(new(AlertingEngines)).Where("instance=? and engine_cluster = ? and datasource_id=?", instance, cluster, datasourceId).Updates(fields).Error
    }
    return err
}

参考：

1. https://flashcat.cloud/docs/content/flashcat-monitor/nighting...
2. https://answer.flashcat.cloud/questions/10010000000002963/100...