node服务的监控预警系统架构

摘要：业务量计算和数据打点这里提到的业务量，指的是监控预警系统所关注的数据业务，如内存和利用率吞吐量和响应时间。其中，内存和利用率可以通过下的相关命令如来查询，响应时间和吞吐量则通过中间件实现粗略统计。

目前node端的服务逐渐成熟，在不少公司内部也开始承担业务处理或者视图渲染工作。不同于个人开发的简单服务器，企业级的node服务要求更为苛刻：

高稳定性、高可靠性、鲁棒性以及直观的监控和报警

想象下一个存在安全隐患且没有监控预警系统的node服务在生产环境下运行的场景，当某个node实例挂掉的情况下，运维人员或者对应开发维护人员无法立即知晓，直到客户或者测试人员报告bugs才开始解决问题。在这段无人处理的时间内，损失的订单数和用户的忠诚度和信任度将是以后无法弥补的，因此对于node程序的业务开发者而言，这就要求代码严谨、异常处理完备；对于node框架的维护者而言，则需要提供完善的监控预警系统。

当一个服务进程在后端运行时（daemon），作为开发者我们关注的信息主要有以下几点：

服务进程是否正在运行，isalive

服务进程的内存使用率，是否存在未回收（释放）的内存

服务进程的cpu使用率，在计算量大的情况下是否需要分片处理、延时处理

服务进程的实时响应时间和吞吐量

而作为一个运维人员，关注的不仅仅是node服务进程的相关信息，还包括物理主机的使用状况：

物理硬盘所剩存储空间

内存、cpu使用率

网络接入是否正常

可以看出，不管是针对主机还是进程进行监控，我们的关注点大多数是资源使用率和业务量处理能力，因此我们的监控预警系统也着重实现这些功能。

目前生产环境下的node服务大多采用多进程或者cluster模式，而且为了响应突发流量往往采用多机部署，因此监控和预警的目标实体就是多物理（虚拟）机下的多个子进程。

比如，目前node服务在单机上往往采用1+n的进程模型：所谓1，即1个主进程；n，表示n个工作进程，而且这些工作进程是从主进程上fork出来，同时根据经验，n的值往往等同于主机的cpu核心数，充分利用其并行能力。那么，采用该种进程模型的node服务部署在线上4台物理机上，我们需要监控的则是4xn个进程，这涉及到了分布式数据同步的问题，需要寻找一种方法实现高效、准确和简易的数据存和读，并且尽可能的保证这些数据的可靠性。

在这里，笔者采用了分布式数据一致系统ZooKeeper（下文简写为ZK）实现数据的存和读。之所以没有采用传统的数据库是由于读写表的性能，如为了防止多个进程同时写表造成冲突必须进行锁表等操作，而且读写硬盘的性能相对内存读写较低；之所以没有采用IPC+事件机制实现多进程通信，主要是由于node提供的IPC通信机制仅限于父子进程，对于不同主机的进程无法进行通信或者实现复杂度较高，因此也并未采用该种方式。

采用ZK来实现多节点下的数据同步，可在保证集群可靠性的基础上达到数据的最终一致性，对于监控系统而言，不需要时刻都精确的数据，因此数据的最终一致性完全满足系统的需求。ZK服务集群通过paxos算法实现选举，并采用ZK独特的算法实现数据在各个集群节点的同步，最终抽象为一个数据层。这样ZK客户端就可以通过访问ZK集群的任意一个服务节点获取或读写相同的数据，用通俗的语言来形容，就是ZK客户端看到的所有ZK服务节点都有相同的数据。

另外，ZK提供了一种临时节点，即ephemeral。该节点与客户端的会话session相绑定，一旦会话超时或者连接断开，该节点就会消失，并触发对应事件，因此利用该种特性可以设置node服务的isalive（是否存活）功能。不过，目前node社区针对ZK的客户端还不是很完善（主要是文档），笔者采用node-zookeeper-client模块并且针对所有接口promise化，这样在进行多级znode开发时更可读。

上图是笔者设计的监控预警系统的架构图，这里需要着重关注一下几点：

ZooKeeper部署与znode节点使用

单机内部node进程的进程模型：1+n+1

precaution进程的工作内容以及与master和worker的通信方式

下面着重详述以上几点。

上节已提到，ZooKeeper抽象为一个数据一致层，它是由多个节点组成的存储集群，因此在具体的线上环境下，ZK集群是由多个线上主机搭建而成，所有的数据都是存储在内存中，每当对应工作进程的数据发生变化时则修改对应znode节点的数据，在具体实现中每个znode节点存储的是json数据，便于node端直接解析。

在具体的代码中，我们需要注意的是ZK客户端会话超时和网络断开重连的问题。默认，ZK客户端会帮助我们完成网络断开后重连过程的简历，而且在重新连接的过程中会携带上次断开连接的session id，这样在session未超时的前提下仍会绑定之前的数据；但是当session超时的情况下，对应session id的数据将会被清空，这就需要我们的自己处理这种情况，又称作现场恢复。其实，在监控系统中，由于需要实时查询对应节点数据，需要始终保持session，在设定session expire时间的情况下终究会出现ZK客户端会话超时的情况，因此需要我们实现现场恢复，需要注意。

大多数开发者为了提高node程序的并行处理能力，往往采用一个主进程+多个工作进程的方式处理请求，这在不需要监控预警系统的前提下是可以满足要求的。但是，随着监控预警功能的加入，有很多人估计会把这些功能加入到主进程，这首先不说主进程工作职能的混乱，最主要的是额外增加了风险性（预警系统的职能之一就是打点堆快照，并提醒开发者。因此主进程内执行查询、打点系统资源、发送邮件等工作存在可能的风险）。因此为了主进程的功能单一性和可靠性，创建了一个precaution进程，该进程与主进程同级。

采用1+n+1模型并不会影响请求处理效率，工作进程的职能仍是处理请求，因此新的进程模型完全兼容之前的代码，需要做的就是在主进程和precaution进程执行的代码中添加业务部分代码。

在监控预警系统中，需要实现precaution进程<-->master进程、master进程<-->worker进程、precaution进程<-->worker进程的双向通信，如打点内存，需要由precaution进程通知对应worker进程，worker进行打点完成后发送消息给precaution进程，precaution进行处理后发送邮件通知。

首先，worker与master的通信走的是node提供的IPC通道，需要注意的是IPC通道只能传输字符串和可结构化的对象。可结构化的对象可以用一个公式简易表述：

o = JSON.parse(JSON.stringify(o))

如RegExp的实例就不是可结构化对象。

其次，worker和precaution的通信是通过master作为桥梁实现的，因此其中的关节点就在于precaution与master的通信。

最后，precaution与master的通信采用domain socket机制实现，这两个进程是只是两个node实例而已，因此无法采用node提供的IPC机制，而进程间通信可以采用其他方法如：命名管道、共享内存、信号量和消息队列等，采用这些方法实现固然简单，但是缺点在于两个进程耦合度相对较高，如命名管道需要创建具体的管道文件并且对管道文件大小有限制。使用domain socket，最大的好处就是灵活制定通信协议，且易于扩展。

node的net模块提供了domain socket的通信方式，与网络服务器类似，采用domain通信的服务器侦听的不是端口而是sock文件，采用这种方式实现全双工通信。

这里提到的业务量，指的是监控预警系统所关注的数据业务，如内存和cpu利用率、吞吐量（request per minute）和响应时间。其中，内存和cpu利用率可以通过linux下的相关命令如top来查询，响应时间和吞吐量则通过koa中间件实现粗略统计。不过为了方便开发者把精力集中到业务上去而非兼容底层操作系统，建议使用pidusage模块完成资源利用率的测量，而针对吞吐量笔者并未找到相关的工具进行测量，仅在中间件中粗略计算得出。

在precaution进程中，设置了两个阈值。一个是warning值，当使用内存大小超过了该值则进行日志打点，并开始周期性的node堆内存打点；另一个是danger值，超过该值则进行内存打点并发送邮件提醒，根据附件中的近三个快照分析内存。

采用上述监控预警架构，可以有效的实现多节点下多进程的监控，在确保进程可靠性的基础上完成侵入性较小的、安全性较高的、可扩展性强的实现。以后不管是临时扩张主机节点还是更改子进程数量，都可以瞬时在UI界面上直观体现，如