Лекция 257: Введение в Prometheus для мониторинга метрик

Представьте, что вы следите за огромным рестораном, где у каждой кухни своё меню, своя посуда, свои заказы. Вы хотите знать всё — кто и сколько заказал, кто быстрее выполняет заказы, где произошли задержки. Prometheus — это как официант, который бегает по всем кухням, собирает всю информацию, обрабатывает её и приносит вам на красивом подносе.

Prometheus — это система мониторинга и сбора метрик с открытым исходным кодом. Она была разработана в SoundCloud и стала одной из самых популярных систем для мониторинга и алертинга микросервисов. Prometheus помогает нам собирать, хранить и анализировать метрики, а затем использовать их для мониторинга производительности, выявления узких мест и предотвращения проблем.

Основные характеристики Prometheus

Prometheus создавался с учетом современных требований к мониторингу. Вот его основные «фишки»:

1. Модель pull — Prometheus активно запрашивает метрики с приложений или сервисов. Это дает больше контроля, чем пассивная модель push.
2. Язык запросов PromQL — для обработки и анализа метрик. С помощью PromQL можно писать сложные запросы и делать агрегированные вычисления.
3. Хранение данных — Prometheus сам хранит данные временных рядов (time series) и организует их в своей базе данных.
4. Экспортёр метрик — Prometheus позволяет легко добавлять новые метрики для мониторинга приложений, системных сервисов или железа.
5. Интеграция с визуальными инструментами — например, Grafana для создания шикарных дашбордов.

Анекдот для разрядки: "почему Prometheus не любит push-модель? Потому что приложение может подумать: 'Ой, я что-то не успел!'"

Архитектура Prometheus

Prometheus основан на простой и интуитивно понятной архитектуре:

┌───────────┐   ┌───────────────┐
│   Target  │   │   Exporter    │
└───────────┘   └───────────────┘
       ▲                 ▲
       │ Pull Metrics    │
       │                 │
       ▼                 ▼
┌───────────────────────────┐
│       Prometheus Server   │
│ ┌───────────────────────┐ │
│ │Time Series Database   │ │
│ │(TSDB)                 │ │
│ └───────────────────────┘ │
└───────────────────────────┘
        │
        │ Query Data
        ▼
┌─────────────────────────┐
│     Visualization Tool  │
│   (e.g., Grafana)       │
└─────────────────────────┘

1. Target (Целевая система) — это ваши приложения, к которым Prometheus обращается по HTTP для метрик.
2. Exporter (Экспортёр) — приложение, которое преобразует метрики в формат, понятный Prometheus. Например, node_exporter для получения системных метрик сервера.
3. Prometheus Server — самый важный компонент, который собирает метрики, хранит их и предоставляет API для запросов.
4. Visualization Tool — инструменты для визуализации данных. Сам Prometheus имеет базовый веб-интерфейс, но чаще используется Grafana.

Почему Prometheus так популярен?

Prometheus завоевал популярность благодаря своей простоте и мощи. Вот несколько причин, почему его выбирают:

1. Open Source — никакой платы за использование.
2. Гибкость — кастомизация метрик под любые нужды.
3. Сообщество и плагины — для Prometheus создано множество интеграций, включая Spring Boot, Docker, Kubernetes и другие. Вы даже можете найти экспортёр для мониторинга любимой кофеварки (да, они существуют).
4. Подходит для микросервисов — особенно когда сервисы часто меняются или появляются новые.

Примеры сценариев использования

• Вы хотите знать, сколько запросов ваш REST API обрабатывает каждую минуту.
• Требуется мониторить использование памяти или процессора в реальном времени.
• Нужно проверять время ответа микросервисов и выявлять узкие места до того, как пользователи начнут жаловаться.

Основные концепции работы Prometheus

Перед тем как перейти к практике, давайте разберёмся с ключевыми понятиями Prometheus:

1. Метрики (Metrics) — данные, которые собираются и анализируются. Например, "количество активных подключений" или "время обработки запроса".
2. Временные ряды (Time Series) — последовательные записи значений метрик за определённый период времени.
3. Labels (Метки) — дополнительные данные о метриках. Например, "метка" для каждого микросервиса.
4. Экспортёры (Exporters) — программы, которые готовят данные для Prometheus.

Практическое задание: Установка и настройка Prometheus

Подготовка окружения

1. Убедитесь, что Docker установлен (если нет — самое время это исправить).
2. Скачайте образ Prometheus из Docker Hub:

   docker pull prom/prometheus
   

3. Запустите Prometheus:

   docker run -d -p 9090:9090 --name=prometheus prom/prometheus
   

4. Откройте браузер и перейдите по адресу http://localhost:9090. Поздравляю, Prometheus работает!

Интеграция Spring Boot с Prometheus

Теперь подключим наши микросервисы к Prometheus! Для этого настроим Spring Boot Actuator, который уже включает метрики.

1. Добавьте зависимости в pom.xml:

   
   <dependency>
       <groupId>org.springframework.boot</groupId>
       <artifactId>spring-boot-starter-actuator</artifactId>
   </dependency>
   <dependency>
       <groupId>io.micrometer</groupId>
       <artifactId>micrometer-registry-prometheus</artifactId>
   </dependency>
   

2. Настройте application.yml:

   management:
     endpoints:
       web:
         exposure:
           include: "*"
     metrics:
       export:
         prometheus:
           enabled: true
   

3. Запустите своё приложение Spring Boot. Пройдите по адресу http://localhost:8080/actuator/prometheus. Вы увидите множество метрик!

Настройка Prometheus для сбора метрик Spring Boot

1. Создайте файл конфигурации prometheus.yml:

   
   global:
   scrape_interval: 15s
   
   scrape_configs:
   - job_name: "spring-boot-app"
   static_configs:
   - targets: ["host.docker.internal:8080"]
   

   Будьте внимательны с адресом host.docker.internal — это работает для Docker на Windows и macOS. На Linux используйте localhost.
2. Перезапустите Prometheus:

   docker stop prometheus
   docker rm prometheus
   docker run -d -p 9090:9090 \
   -v $(pwd)/prometheus.yml:/etc/prometheus/prometheus.yml \
   --name=prometheus prom/prometheus
   

3. Перейдите в Prometheus UI и выполните запрос:

   http_server_requests_seconds_sum
   

   Вы увидите метрики вашего приложения!

В следующей лекции мы разберём, как дополнять мониторинг метрик визуализацией с помощью Grafana, чтобы превращать сухие цифры в красивые дашборды.