作者：闻洪
开源大数据平台E-MapReduce（简称“EMR”）是云原生开源大数据平台，向客户提供简单易集成的Hadoop、Hive、Spark、Flink、Presto、ClickHouse、StarRocks、Delta、Hudi等开源大数据计算和存储引擎。本文旨在分享阿里云Prometheus对EMR平台大数据服务的监控实践。
EMR 简介
开源大数据开发平台E-MapReduce（简称“EMR”）作为大数据处理的系统解决方案被越来越多的企业所接受。而阿里云EMR构建于云服务器ECS上，基于开源的Apache Hadoop和Apache Spark可以方便地使用Hadoop和Spark生态系统中的其他周边系统分析和处理数据，还可以与阿里云OSS和RDS等云数据存储系统和数据库系统进行数据传输，让企业可以快速搭建Hadoop、Spark、Flink、Kafka和HBase等开源大数据服务。
我们可以看到，E-MapReduce的核心是集群。E-MapReduce集群是由一个或多个ECS实例组成的Hadoop、Flink、Druid、ZooKeeper集群。以Hadoop为例，每个ECS 实例上通常都运行了一些daemon进程（例如，NameNode、DataNode、ResouceManager和NodeManager），这些daemon进程共同组成了Hadoop集群。在众多大数据组件背后，是海量需要被观测的指标，这就给运维工程师、SRE工程师带来了巨大的挑战。那么，构建E-MapReduce之后，我们针对不同组件，应该关注哪些指标呢？
E-MapReduce 观测指标解读
Metric指标采集
E-MapReduce指标观测主要包括HOST监控、HDFS 、YARN、Hive、Kafka、Zookeeper、ClickHouse和Flink等，那么接下来我们将进行逐一解读。
HOST指标[1]
提供ECS节点CPU、内存、磁盘、load、网络、socket等监控指标。
HDFS指标[2]
HDFS（Hadoop Distributed File System）是一种Hadoop分布式文件系统，适用于大规模数据的分布式读写，特别是读多写少的场景。HDFS指标包括HOME、NameNodes、DataNodes和JournanlNodes指标。
- HDFS-HOME
- HDFS-NameNodes
- HDFS-DataNodes
- HDFS-JournanlNodes
YARN指标[3]
YARN是Hadoop系统的核心组件，主要功能包括负责Hadoop集群的资源管理，对作业进行调度运行以及监控。YARN指标包括HOME、Queue、ResourceManager、NodeManager、TimeLineServer和JobHistory。
- YARN-HOME
- YARN-Queues
- YARN-ResourceManager
- YARN-NodeManagers
- YARN-TimeLineServer
- YARN-JobHistory
Hive指标[4]
Hive是一个基于Hadoop的数据仓库框架，在大数据业务场景中，主要用来进行数据提取、转化和加载（ETL）以及元数据管理。Hive由HiveServer2(HiveQL查询服务器)、Hive MetaStore(元数据管理模块)和Hive Client构成，其指标包括HiveMetaStore和HiveServer2。
- HiveMetaStore
| 指标 | 描述 |
|---|---|
| hive_memory_heap_max | JVM最大可用堆内存，单位：Byte。 |
| hive_memory_heap_used | JVM已使用堆内存，单位：Byte。 |
| hive_memory_non_heap_used | JVM已使用堆外内存量，单位：Byte。 |
| hive_active_calls_api_alter_table | 当前活跃的alter table请求数。 |
| hive_active_calls_api_create_table | 当前活跃的create table请求数。 |
| hive_active_calls_api_drop_table | 当前活跃的drop table请求数。 |
| hive_api_alter_table | alter table请求平均时间，单位：ms。 |
| hive_api_alter_table_with_environment_context | alter table with env context请求平均时间，单位：ms。 |
| hive_api_create_table | create table请求平均时间，单位：ms。 |
| hive_api_create_table_with_environment_context | create table with env context请求平均时间，单位：ms。 |
| api_drop_table | drop table请求平均时间，单位：ms。 |
| hive_api_drop_table_with_environment_context | drop table with env context请求平均时间，单位：ms。 |
| hive_api_get_all_databases | get all databases请求平均时间，单位：ms。 |
| hive_api_get_all_functions | get all functions请求平均时间，单位：ms。 |
| hive_api_get_database | get database请求平均时间，单位：ms。 |
| hive_api_get_databases | get databases请求平均时间，单位：ms。 |
| hive_api_get_multi_table | get multi table请求平均时间，单位：ms。 |
| hive_api_get_tables_by_type | get table请求平均时间，单位：ms。 |
| hive_api_get_table_objects_by_name_req | get table objects by name请求平均时间，单位：ms。 |
| hive_api_get_table_req | get table req请求平均时间，单位：ms。 |
| hive_api_get_table_statistics_req | get table statistics请求平均时间，单位：ms。 |
| hive_api_get_tables | get tables请求平均时间，单位：ms。 |
| hive_api_get_tables_by_type | get tables by type请求平均时间，单位：ms。 |
- HiveServer2
| 指标 | 描述 |
|---|---|
| hive_metrics_hs2_active_sessions | 当前活跃的session个数。 |
| hive_metrics_memory_total_init | JVM初始化总内存，单位：Byte。 |
| hive_metrics_memory_total_committed | JVM已预留总内存，单位：Byte。 |
| hive_metrics_memory_total_max | JVM最大可用总内存，单位：Byte。 |
| hive_metrics_memory_heap_committed | JVM已预留堆内存，单位：Byte。 |
| hive_metrics_memory_heap_inithive_metrics_memory_heap_committed | JVM初始化堆内存，单位：Byte。 |
| hive_metrics_memory_non_heap_committed | JVM已预留堆外内存，单位：Byte。 |
| hive_metrics_memory_non_heap_init | JVM初始化堆外内存，单位：Byte。 |
| hive_metrics_memory_non_heap_max | JVM最大可用堆外内存，单位：Byte。 |
| hive_metrics_gc_PS_MarkSweep_count | JVM PS MarkSweep GC次数。 |
| hive_metrics_gc_PS_MarkSweep_time | JVM PS MarkSweep GC时间，单位：ms。 |
| hive_metrics_gc_PS_Scavenge_time | JVM PS Scavenge GC时间，单位：ms。 |
| hive_metrics_threads_daemon_count | JVM daemon线程数。 |
| hive_metrics_threads_count | JVM线程数。 |
| hive_metrics_threads_blocked_count | JVM blocked线程数。 |
| hive_metrics_threads_deadlock_count | JVM deadlock线程数。 |
| hive_metrics_threads_new_count | JVM new状态线程数。 |
| hive_metrics_threads_runnable_count | JVM runnable线程数。 |
| hive_metrics_threads_terminated_count | JVM terminated线程数。 |
| hive_metrics_threads_waiting_count | JVM waiting线程数。 |
| hive_metrics_threads_timed_waiting_count | JVM timed_waiting线程数。 |
| hive_metrics_memory_heap_max | JVM最大可用堆内存，单位：Byte。 |
| hive_metrics_memory_heap_used | JVM已使用堆内存，单位：Byte。 |
| hive_metrics_memory_non_heap_used | JVM已使用堆外内存量，单位：Byte。 |
| hive_metrics_hs2_open_sessions | 当前打开的session数。 |
| hive_metrics_hive_mapred_tasks | 提交的Hive on MR作业总数。 |
| hive_metrics_hive_tez_tasks | 提交的Hive on Tez作业总数。 |
| hive_metrics_cumulative_connection_count | 累计连接数。 |
| hive_metrics_active_calls_api_runTasks | 当前runtask请求数。 |
| hive_metrics_hs2_completed_sql_operation_FINISHED | 已结束的SQL总数。 |
| hive_metrics_hs2_sql_operation_active_user | 当前活跃用户数。 |
| hive_metrics_open_connections | 当前打开的连接数。 |
| hive_metrics_api_PostHook_com_aliyun_emr_meta_hive_hook_LineageLoggerHook | 执行LineageLoggerHook的平均时间，单位：ms。 |
| hive_metrics_api_hs2_sql_operation_PENDING | SQL任务处于PEEDING状态的平均时间，单位：ms。 |
| hive_metrics_api_hs2_sql_operation_RUNNING | 运SQL任务处于RUNNING状态的平均时间，单位：ms。 |
| hive_metrics_hs2_submitted_queries | 提交查询的平均时间，单位：ms。 |
| hive_metrics_hs2_executing_queries | 执行查询的平均时间，单位：ms。 |
| hive_metrics_hs2_succeeded_queries | 服务启动后成功的查询数。 |
| hive_metrics_hs2_failed_queries | 服务启动后失败的查询数。 |
ZooKeeper指标[5]
ZooKeeper是一个分布式、高可用性的协调服务。ZooKeeper提供分布式配置服务、同步服务和命名注册等功能。
| 指标 | 描述 |
|---|---|
| zk_packets_received | ZooKeeper接收的包的数量。 |
| zk_packets_sent | ZooKeeper发送的包的数量。 |
| zk_avg_latency | ZooKeeper平均请求延迟，单位：ms。 |
| zk_min_latency | ZooKeeper最小请求延迟，单位：ms。 |
| zk_max_latency | ZooKeeper最大请求延迟，单位：ms。 |
| zk_watch_count | ZooKeeper watch的数量。 |
| zk_znode_count | ZooKeeper znode的数量。 |
| zk_num_alive_connections | ZooKeeper存活的连接数。 |
| zk_outstanding_requests | ZooKeeper排队请求的数量。当ZooKeeper超过了它的处理能力时，该值会增大。 |
| zk_approximate_data_size | ZooKeeper的数据大小（近似值），单位：Byte。 |
| zk_open_file_descriptor_count | ZooKeeper打开文件的数量。 |
| zk_max_file_descriptor_count | ZooKeeper最大允许打开的文件数量。 |
| zk_node_status | ZooKeeper节点状态：- -1：节点不可用。 |
- 0：作为follower节点。
- 1：作为leader节点。 |
| zk_synced_followers | 同步的ZooKeeper服务数量。 |
Kafka指标[6]
消息队列Kafka版是阿里云提供的分布式、高吞吐、可扩展的消息队列服务。消息队列Kafka版广泛用于日志收集、监控数据聚合、流式数据处理、在线和离线分析等大数据领域，已成为大数据生态中不可或缺的部分。
- Kafka-HOME
- Kafka-Broker
-
- Status
- Throughput
- Performance
- Storage
- Request Rate
- Request Time
- MessageConversion
- ZK session
- JVM
- Kafka-Topic
-
- Status
- Throughput
- Request Rate
- MessageConversion
- Storage
Impala指标[7]
Impala为存储在Apache Hadoop中的数据提供了高性能和低延迟的SQL查询。
| 指标 | 描述 |
|---|---|
| impala_impala_server_resultset_cache_total_bytes | 结果集缓存大小，单位：Byte。 |
| impala_num_executing_queries | 当前正在执行的查询数量。 |
| impala_num_waiting_queries | 当前正在等待的查询数量。 |
| impala_impala_server_query_durations_ms_95th | 95%的查询耗时时间，单位：ms。 |
| impala_num_in_flight_queries | 集群正在in fight状态的查询数量。 |
| impala_impala_server_query_durations_ms_75th | 75%的查询耗时时间，单位：ms。 |
| impala_impala_thrift_server_CatalogService_svc_thread_wait_time_99_9th | Catalog Service的客户端对服务线程的等待时间，单位：ms。 |
| impala_impala_thrift_server_CatalogService_connection_setup_time_99_9th | 99%的Catalog Service客户端等待建立连接所花费的时间，单位：ms。 |
| impala_impala_server_query_durations_ms_99_9th | 99%的查询耗时时间，单位：ms。 |
| impala_impala_server_ddl_durations_ms_99_9th | 99%的DDL操作耗时时间，单位：ms。 |
| impala_impala_server_query_durations_ms_90th | 90%的查询耗时时间，单位：ms。 |
| impala_impala_server_ddl_durations_ms_90th | 90%的DDL操作耗时时间，单位：ms。 |
| impala_impala_server_query_durations_ms_50th | 50%的查询耗时时间，单位：ms。 |
| impala_impala_server_ddl_durations_ms_50th | 50%的DDL操作耗时时间，单位：ms。 |
| impala_impala_server_ddl_durations_ms_95th | 95%的DDL操作耗时时间，单位：ms。 |
| impala_impala_server_scan_ranges_num_missing_volume_id | 在进程生命周期内缺失volume id的scan range总数。 |
| impala_impala_server_ddl_durations_ms_75th | 75%的DDL操作耗时时间，单位：ms。 |
| impala_impala_server_num_queries_spilled | 任何运算符溢出的查询数。 |
| impala_impala_server_scan_ranges_total | 在进程生命周期内读取的扫描范围总数。 |
| impala_impala_server_num_queries_expired | 由于不活动而过期的查询数。 |
| impala_impala_server_resultset_cache_total_num_rows | 结果集缓存记录数。 |
| impala_impala_server_num_open_hiveserver2_sessions | 打开的HiveServer2会话数。 |
| impala_impala_server_num_sessions_expired | 由于不活动而过期的会话数。 |
| impala_impala_server_num_fragments_in_flight | 当前正在执行的查询片段实例的数量。 |
| impala_impala_server_num_queries_registered | 在此Impala服务器实例上注册的查询总数。包括正在进行中并等待关闭的查询。 |
| impala_impala_server_num_files_open_for_insert | 当前为写入而打开的HDFS文件数。 |
| impala_impala_server_num_queries | 在进程生命周期内处理的查询总数。 |
| impala_impala_server_hedged_read_ops | 在进程生命周期内尝试的hedged reads总数。 |
| impala_impala_server_num_open_beeswax_sessions | 打开Beeswax会话的数量。 |
| impala_impala_server_backend_num_queries_executed | 在进程的生命周期内在此后端执行的查询总数。 |
| impala_impala_server_num_fragments | 在进程生命周期内处理的查询片段总数。 |
| impala_rpc_impala_ControlService_rpcs_queue_overflow | ControlService由于服务队列溢出而被拒绝的传入RPC总数。 |
| impala_impala_server_hedged_read_ops_win | Hedged read比常规读取操作快的总次数。 |
| impala_mem_tracker_DataStreamService_current_usage_bytes | Memtracker DataStreamService当前使用的字节数。 |
| impala_impala_server_backend_num_queries_executing | 当前在此后端上执行的查询数。 |
| impala_cluster_membership_executor_groups_total_healthy | 处于健康状态的执行器组总数。 |
| impala_rpc_impala_DataStreamService_rpcs_queue_overflow | DataStreamService由于服务队列溢出而被拒绝的传入RPC总数。 |
| impala_cluster_membership_backends_total | 向statestore注册的后端总数。 |
| impala_mem_tracker_DataStreamService_peak_usage_bytes | Memtracker DataStreamService峰值使用的字节数。 |
| impala_total_senders_blocked_on_recvr_creation | 已被阻止等待接收片段初始化的发件人总数。 |
| impala_mem_tracker_ControlService_peak_usage_bytes | Memtracker ControlService峰值使用字节数。 |
| impala_simple_scheduler_local_assignments_total | 本地作业数。 |
| impala_mem_tracker_ControlService_current_usage_bytes | Memtracker ControlService当前使用字节数。 |
| impala_memory_total_used | 已使用内存，单位：Byte。 |
| impala_cluster_membership_executor_groups_total | 至少有一个执行程序的执行程序组总数。 |
| impala_memory_rss | RSS的内存大小，包括TCMalloc、缓冲池和JVM，单位：Byte。 |
| impala_total_senders_timedout_waiting_for_recvr_creation | 超时等待接收片段初始化的发送者总数。 |
| impala_senders_blocked_on_recvr_creation | 等待接收片段初始化的发送者数量。 |
| impala_simple_scheduler_assignments_total | 作业数。 |
| impala_memory_mapped_bytes | 进程中内存映射的总字节数（虚拟内存大小），单位：Byte。 |
HUE指标[8]
| 指标 | 描述 |
|---|---|
| hue_requests_response_time_avg | 请求响应时间平均值。 |
| hue_requests_response_time_95_percentile | 95%的请求响应时间。 |
| hue_requests_response_time_std_dev | 请求响应时间标准差。 |
| hue_requests_response_time_median | 50%的请求响应时间。 |
| hue_requests_response_time_75_percentile | 75%的请求响应时间。 |
| hue_requests_response_time_count | 请求响应时间计数。 |
| hue_requests_response_time_5m_rate | 最近5分钟的请求响应速率。 |
| hue_requests_response_time_min | 请求响应时间最小值。 |
| hue_requests_response_time_sum | 请求响应时间总和。 |
| hue_requests_response_time_max | 请求响应时间的最大值。 |
| hue_requests_response_time_mean_rate | 请求响应速率平均值。 |
| hue_requests_response_time_99_percentile | 99%的最近一小时请求响应时间。 |
| hue_requests_response_time_15m_rate | 最近15分钟请求响应速率。 |
| hue_requests_response_time_999_percentile | 99.9%的请求响应时间。 |
| hue_requests_response_time_1m_rate | 最近1分钟的请求响应速率。 |
| hue_users_active_total | 活跃用户总数。 |
| hue_users_active | 最近1小时的活跃用户数。 |
| hue_users | 用户总数。 |
| hue_threads_total | 当前线程总数。 |
| hue_threads_daemon | 常驻线程数量。 |
| hue_queries_number | 查询数量总和。 |
| hue_requests_exceptions | 当前异常请求数。 |
| hue_requests_active | 当前活跃请求数。 |
Kudu指标[9]
| 参数 | 指标 | 描述 |
|---|---|---|
| op_apply_queue_length（99） | kudu_op_apply_queue_length_percentile_99 | 99%的操作队列的长度。 |
| op_apply_queue_length（75） | kudu_op_apply_queue_length_percentile_75 | 75%的操作队列的长度。 |
| op_apply_queue_length（mean） | kudu_op_apply_queue_length_mean | 操作队列的长度的平均值。 |
| rpc_incoming_queue_time（99） | kudu_rpc_incoming_queue_time_percentile_99 | 99%的RPC队列的等待时间，单位：μs。 |
| rpc_incoming_queue_time（75） | kudu_rpc_incoming_queue_time_percentile_75 | 75%的RPC队列的等待时间，单位：μs。 |
| rpc_incoming_queue_time（mean） | kudu_rpc_incoming_queue_time_mean | RPC队列的等待时间的平均值，单位：μs。 |
| reactor_load_percent（99） | kudu_reactor_load_percent_percentile_99 | 99%的Reactor线程的负载。 |
| reactor_load_percent（75） | kudu_reactor_load_percent_percentile_75 | 75%的Reactor线程的负载。 |
| reactor_load_percent（mean） | kudu_reactor_load_percent_mean | Reactor线程的负载的平均值。 |
| op_apply_run_time（99） | kudu_op_apply_run_time_percentile_99 | 99%的操作执行时间，单位：μs。 |
| op_apply_run_time（75） | kudu_op_apply_run_time_percentile_75 | 75%的操作执行时间，单位：μs。 |
| op_apply_run_time（mean） | kudu_op_apply_run_time_mean | 操作执行时间的平均值，单位：μs。 |
| op_prepare_run_time（99） | kudu_op_prepare_run_time_percentile_99 | 99%的操作准备时间，单位：μs。 |
| op_prepare_run_time（75) | kudu_op_prepare_run_time_percentile_75 | 75%的操作准备时间，单位：μs。 |
| op_prepare_run_time（mean） | kudu_op_prepare_run_time_mean | 操作准备时间的平均值，单位：μs。 |
| flush_mrs_duration（99） | kudu_flush_mrs_duration_percentile_99 | 99%的MemRowSet flush时间，单位：ms。 |
| flush_mrs_duration（75） | kudu_flush_mrs_duration_percentile_75 | 75%的MemRowSet flush时间，单位：ms。 |
| flush_mrs_duration（mean） | kudu_flush_mrs_duration_mean | MemRowSet flush时间的平均值，单位：ms。 |
| log_append_latency（99） | kudu_log_append_latency_percentile_99 | 99%的日志的append时间，单位：μs。 |
| log_append_latency（75） | kudu_log_append_latency_percentile_75 | 75%的日志的append时间，单位：μs。 |
| log_append_latency（mean） | kudu_log_append_latency_mean | 日志的append时间的平均值，单位：μs。 |
| flush_dms_duration（99） | kudu_flush_dms_duration_percentile_99 | 99%的DeltaMemStore flush时间，单位：ms。 |
| flush_dms_duration（75） | kudu_flush_dms_duration_percentile_75 | 75%的DeltaMemStore flush时间，单位：ms。 |
| flush_dms_duration（mean） | kudu_flush_dms_duration_mean | DeltaMemStore flush时间的平均值，单位：ms。 |
| op_prepare_queue_length（99) | kudu_op_prepare_queue_length_percentile_99 | 99%的准备队列的长度。 |
| op_prepare_queue_length（75） | kudu_op_prepare_queue_length_percentile_75 | 75%的准备队列的长度。 |
| op_prepare_queue_length（mean） | kudu_op_prepare_queue_length_mean | 准备队列的长度的平均值。 |
| log_gc_duration（99） | kudu_log_gc_duration_percentile_99 | 99%的日志GC的时间，单位：ms。 |
| log_gc_duration（75） | kudu_log_gc_duration_percentile_75 | 75%的日志GC的时间，单位：ms。 |
| log_gc_duration（mean） | kudu_log_gc_duration_mean | 日志GC的时间的平均值，单位：ms。 |
| log_sync_latency（99） | kudu_log_sync_latency_percentile_99 | 99%的日志Sync的时间，单位：μs。 |
| log_sync_latency(75) | kudu_log_sync_latency_percentile_75 | 75%的日志Sync的时间，单位：μs。 |
| log_sync_latency（mean） | kudu_log_sync_latency_mean | 日志Sync的时间的平均值，单位：μs。 |
| prepare_queue_time（99） | kudu_op_prepare_queue_time_percentile_99 | 99%的操作在准备队列的等待时间，单位：μs。 |
| prepare_queue_time（75） | kudu_op_prepare_queue_time_percentile_75 | 75%的操作在准备队列的等待时间，单位：μs。 |
| prepare_queue_time（mean） | kudu_op_prepare_queue_time_mean | 操作在准备队列的等待时间的平均值，单位：μs。 |
| rpc_connections_accepted | kudu_rpc_connections_accepted | RPC请求接收的数量。 |
| block_cache_usage | kudu_block_cache_usage | Tserver Block缓存的使用量，单位：Byte。 |
| active_scanners | kudu_active_scanners | 处于Active状态的Scanner数量。 |
| data_dirs_full | kudu_data_dirs_full | Full状态的数据目录个数。 |
| rpcs_queue_overflow | kudu_rpcs_queue_overflow | RPC队列溢出次数。 |
| cluster_replica_skew | kudu_cluster_replica_skew | 服务器上承载的最多的tablet数量与最少的tablet数量的差值。 |
| log_gc_running | kudu_log_gc_running | 正在GC的日志数量。 |
| data_dirs_failed | kudu_data_dirs_failed | 失效的数据目录个数。 |
| leader_memory_pressure_rejections | kudu_leader_memory_pressure_rejections | 内存压力拒绝的请求个数。 |
| transaction_memory_pressure_rejections | kudu_transaction_memory_pressure_rejections | 内存压力拒绝的事务个数。 |
ClickHouse指标[10]
EMR ClickHouse完全兼容开源版本的产品特性，并且在开源的基础上优化了读写性能，提升了ClickHouse与EMR其他组件快速集成的能力。
| 指标 | 描述 |
|---|---|
| clickhouse_server_events_ReplicatedPartFailedFetches | 数据无法从Replicated*MergeTree表中任一副本获取的次数。 |
| clickhouse_server_events_ReplicatedPartChecksFailed | Replicated*MergeTree表中数据检查失败的次数。 |
| clickhouse_server_events_ReplicatedDataLoss | Replicated*MergeTree表中数据不在任何一个副本中的次数。 |
| clickhouse_server_events_ReplicatedMetaDataChecksFailed | Replicated*MergeTree表检查元数据失败的次数。 |
| clickhouse_server_events_ReplicatedMetaDataLoss | Replicated*MergeTree表中元数据丢失的次数。 |
| clickhouse_server_events_DuplicatedInsertedBlocks | 写入Replicated*MergeTree表中的Block重复的次数。 |
| clickhouse_server_events_ZooKeeperUserExceptions | Zookeeper中与ClickHouse状态相关错误出现的次数。 |
| clickhouse_server_events_ZooKeeperHardwareExceptions | ZooKeeper网络或类似的错误出现的次数。 |
| clickhouse_server_events_ZooKeeperOtherExceptions | ZooKeeper中非硬件或状态错误出现的次数。 |
| clickhouse_server_events_DistributedConnectionFailTry | 分布式连接重试出错的次数。 |
| clickhouse_server_events_DistributedConnectionMissingTable | 分布式连接无法找到表的次数。 |
| clickhouse_server_events_DistributedConnectionStaleReplica | 分布式连接得到的副本不新鲜的次数。 |
| clickhouse_server_events_DistributedConnectionFailAtAll | 在所有次重试结束后分布式连接失败的次数。 |
| clickhouse_server_events_SlowRead | Slow Read的次数。 |
| clickhouse_server_events_ReadBackoff | 由于Slow Read导致的线程减少的次数。 |
| clickhouse_server_metrics_BackgroundPoolTask | background_pool中的任务个数。 |
| clickhouse_server_metrics_BackgroundMovePoolTask | background_move_pool中的任务个数。 |
| clickhouse_server_metrics_BackgroundSchedulePoolTask | schedule_pool中的任务个数。 |
| clickhouse_server_metrics_BackgroundBufferFlushSchedulePoolTask | buffer_flush_schedule_pool中的任务个数。 |
| clickhouse_server_metrics_BackgroundDistributedSchedulePoolTask | distributed_schedule_pool中的任务个数。 |
| clickhouse_server_metrics_BackgroundTrivialSchedulePoolTask | trivial_schedule_pool中的任务个数。 |
| clickhouse_server_metrics_TCPConnection | TCP连接个数。 |
| clickhouse_server_metrics_HTTPConnection | HTTP连接个数。 |
| clickhouse_server_metrics_InterserverConnection | 用于从其他副本上获取数据的连接个数。 |
| clickhouse_server_metrics_MemoryTracking | Server使用的总内存，单位：Byte。 |
| clickhouse_server_metrics_MemoryTrackingInBackgroundProcessingPool | background_pool中任务执行所使用的内存，单位：Byte。 |
| clickhouse_server_metrics_MemoryTrackingInBackgroundMoveProcessingPool | background_move_pool中任务执行所使用的内存，单位：Byte。 |
| clickhouse_server_metrics_MemoryTrackingInBackgroundBufferFlushSchedulePool | buffer_flush_schedule_pool中任务执行所使用的内存，单位：Byte。 |
| clickhouse_server_metrics_MemoryTrackingInBackgroundSchedulePool | schedule_pool中任务执行所使用的内存，单位：Byte。 |
| clickhouse_server_metrics_MemoryTrackingInBackgroundDistributedSchedulePool | distributed_schedule_pool中任务执行所使用的内存，单位：Byte。 |
| clickhouse_server_metrics_MemoryTrackingInBackgroundTrivialSchedulePool | trivial_schedule_pool中任务执行所使用的内存，单位：Byte。 |
| clickhouse_server_metrics_MemoryTrackingForMerges | 后台执行Merge时使用的内存，单位：Byte。 |
Flink指标[11]
Flink是一个流式数据流执行引擎，其针对数据流的分布式计算提供了数据分布、数据通信以及容错机制等功能。
- Overview
| 参数 | 指标 | 描述 |
|---|---|---|
| Num Of RunningJobs | numRunningJobs | JM中正在运行的作业数。 |
| Job Uptime | job_uptime | 作业已运行时间，单位：ms。仅支持返回单个系列或表的查询。 |
| TaskSlots Available | taskSlotsAvailable | 当前可用的TaskSlots数量。 |
| TaskSlots Total | taskSlotsTotal | TaskSlots的总数量。 |
| Num of TM | numRegisteredTaskManagers | 已注册的TM数量。 |
| sourceIdleTime | sourceIdleTime | 源没有处理任何记录的时间，单位：ms。 |
| currentFetchEventTimeLag | currentFetchEventTimeLag | 业务延时（fetch=数据发生时间与数据进入Flink Source时间之间的差值）。 |
| currentEmitEventTimeLag | currentEmitEventTimeLag | 业务延时（emit=数据发生时间与数据离开Flink Source时间之间的差值）。 |
- Checkpoint
| 参数 | 指标 | 描述 |
|---|---|---|
| Num of Checkpoints | totalNumberOfCheckpoints | 检查点总数。 |
| numberOfFailedCheckpoints | 失败的检查点数量。 | |
| numberOfCompletedCheckpoints | 已完成的检查点数量。 | |
| numberOfInProgressCheckpoints | 正在进行的检查点数量。 | |
| lastCheckpointDuration | lastCheckpointDuration | 最近一个检查点完成时间，单位：ms。 |
| lastCheckpointSize | lastCheckpointSize | 最近一个检查点的大小，单位：Byte。 |
| lastCheckpointRestoreTimestamp | lastCheckpointRestoreTimestamp | 协调器上最近一个检查点的恢复时间，单位：ms。 |
- Network
| 参数 | 指标 | 描述 |
|---|---|---|
| InPool Usage | inPoolUsage | 输入缓冲区使用量。 |
| OutPool Usage | outPoolUsage | 输出缓冲区使用量。 |
| OutputQueue Length | outputQueueLength | 输出缓冲区排队数量。 |
| InputQueue Length | inputQueueLength | 输入缓冲区排队数量。 |
- IO
| 参数 | 指标 | 描述 |
|---|---|---|
| numBytesIn PerSecond | numBytesInLocalPerSecond | 每秒本地读取数据的字节数。 |
| numBytesInRemotePerSecond | 每秒远端读取数据的字节数。 | |
| numBuffersInLocalPerSecond | 每秒本地读取网络缓冲区的数量。 | |
| numBuffersInRemotePerSecond | 每秒远端读取网络缓冲区的数量。 | |
| numBytesOut PerSecond | numBytesOutPerSecond | 每秒发出字节数。 |
| numBuffersOutPerSecond | 每秒发出网络缓冲区的数量。 | |
| Task numRecords I/O PerSecond | numRecordsInPerSecond | 每秒接收的记录数。 |
| numRecordsOutPerSecond | 每秒发出的记录数。 | |
| Task numRecords I/O | numRecordsIn | 接收的记录数。 |
| numRecordsOut | 发出的记录数。 | |
| Operator CurrentSendTime | currentSendTime | 发送最新一条记录的耗时时间，单位：ms。 |
- Watermark
| 参数 | 指标 | 描述 |
|---|---|---|
| Task InputWatermark | currentInputWatermark | 任务收到最后一个水印的时间，单位：ms。 |
| Operator In/Out Watermark | currentInputWatermark | 算子收到最后一个水印的时间，单位：ms。 |
| currentOutputWatermark | 算子发出最后一个水印的时间，单位：ms。 | |
| watermarkLag | watermarkLag | Watermark滞后时间，单位：ms。 |
- CPU
| 参数 | 指标 | 描述 |
|---|---|---|
| JM CPU Load | CPU_Load | JM CPU使用率。 |
| TM CPU Load | CPU_Load | TM CPU使用率。 |
| CPU Usage | CPU_Usage | TM CPU使用率（基于ProcessTree）。 |
- Memory
| 参数 | 指标 | 描述 |
|---|---|---|
| JM Heap Memory | Memory_Heap_Used | JM Heap Memory已使用量，单位：Byte。 |
| Memory_Heap_Committed | JM Heap Memory已申请量，单位：Byte。 | |
| Memory_Heap_Max | JM Heap Memory最大可用量，单位：Byte。 | |
| JM NonHeap Memory | Memory_NonHeap_Used | JM NonHeap Memory已使用量，单位：Byte。 |
| Memory_NonHeap_Committed | JM NonHeap Memory已申请量，单位：Byte。 | |
| Memory_NonHeap_Max | JM NonHeap Memory最大可用量，单位：Byte。 | |
| TM Heap Memory | Memory_Heap_Used | TM Heap Memory已使用量，单位：Byte。 |
| Memory_Heap_Committed | TM Heap Memory已申请量，单位：Byte。 | |
| Memory_Heap_Max | TM Heap Memory最大可用量，单位：Byte。 | |
| TM NonHeap Memory | Memory_NonHeap_Used | TM NonHeap Memory已使用量，单位：Byte。 |
| Memory_NonHeap_Committed | TM NonHeap Memory已申请量，单位：Byte。 | |
| Memory_NonHeap_Max | TM NonHeap Memory最大可用量，单位：Byte。 | |
| Memory RSS | Memory_RSS | TM当前已使用的堆内存量，单位：Byte。 |
- JVM
| 参数 | 指标 | 描述 |
|---|---|---|
| JM Threads | Threads_Count | JM活跃线程总数。 |
| TM Threads | Threads_Count | TM活跃线程总数。 |
| JM GC Time | GarbageCollector_PS_Scavenge_Time | JM年轻代垃圾回收器运行时间。 |
| GarbageCollector_PS_MarkSweep_Time | JM老年代“标记-清除”垃圾回收器的运行时间。 | |
| JM GC Count | GarbageCollector_PS_Scavenge_Count | JM年轻代垃圾回收器运行次数。 |
| GarbageCollector_PS_MarkSweep_Count | JM老年代“标记-清除”垃圾回收器的运行次数。 | |
| TM GC Count | GarbageCollector_PS_Scavenge_Count | TM年轻代垃圾回收器运行次数。 |
| GarbageCollector_PS_MarkSweep_Count | TM老年代“标记-清除”垃圾回收器的运行次数。 | |
| TM GC Time | GarbageCollector_PS_Scavenge_Time | TM年轻代垃圾回收器运行时间。 |
| GarbageCollector_PS_MarkSweep_Time | TM老年代“标记-清除”垃圾回收器的运行时间。 | |
| TM ClassLoader | ClassLoader_ClassesLoaded | TM自JVM启动以来已加载的类总数。 |
| ClassLoader_ClassesUnloaded | TM自JVM启动以来已卸载的类总数。 | |
| JM ClassLoader | ClassLoader_ClassesLoaded | JM自JVM启动以来已加载的类总数。 |
| ClassLoader_ClassesUnloaded | JM自JVM启动以来已卸载的类总数。 |
使用阿里云 Prometheus 监控 EMR
下面介绍如何使用阿里云Prometheus进行EMR的监控，包括接入配置、查看监控大盘和配置告警规则等三方面。
接入EMR配置
开启exporter端口
创建完EMR集群后会默认在ECS上安装taihao-exporter，但prometheus端口未打开，需要手动开启。
- 先进入**EMR控制台 [ 12] **找到EMR集群id和集群名称
- 点击“集群名称”找到master和core节点，并远程登录ECS
- 查找exporter进程，ps -ef | grep taihao_exporter，修改taihao_exporter.yaml配置prom_sink_enable=true并重启服务(记得修改所有节点配置)
sed -i 's/prom_sink_enable:s*false/prom_sink_enable: true/g' /usr/local/taihao_exporter/taihao_exporter.yamlservice taihao_exporter restart 接入EMR组件
登录**阿里云Prometheus [ 13] **控制台，点击“接入中心”选择“组件应用E-MapReduce”点击“安装”按钮
选择“阿里云ECS环境”和Prometheus实例并填写接入配置信息:
- EMR集群ID：到EMR控制台查找
- EMR集群名称：建议和EMR集群名称一致
- exporter名称：job名称（建议默认值+集群名称）
- exporter端口：默认9712
- 采集路径：Prometheus采集exporter的HTTP Path，使用默认值/metrics_preget
- 采集间隔（秒）：采集时间间隔
- ECS标签Key：部署Exporter的ECS标签和标签值，Prometheus通过该标签进行服务发现，具体配置根据上图ECS标签设置，key取值: acs:emr:nodeGroupType或acs:emr:hostGroupType
- ECS标签值：参考ECS标签值，默认是CORE,MASTER (多个值用逗号分割)
常见问题
- context deadline exceeded，将EMR实例的ECS加入vpc安全组，安装时有安全组提示
查看监控大盘
阿里云Prometheus提供HOST、HDFS、Hive、YARN、Impala、ZooKeeper、Spark、Flink、ClickHouse等共24个大盘，其中包括：
-
HOST大盘：ECS节点CPU、内存、磁盘、load、network、socket等
-
HDFS大盘：HDFS-HOME、HDFS-NameNodes、HDFS-DataNodes、HDFS-JournanlNodes
-
Hive大盘：
- HiveServer2: HiveQL查询服务器, 接收来自JDBC客户端提交的SQL请求
- HiveMetaStore: 元数据管理模块，用于存储Database和Table等元信息
- YARN大盘：
- HOME: 集群状态、内存、任务、节点、container等
- NodeManager: 负责节点的资源管理、监控和作业运行。
- ResourceManager: 负责集群的资源管理与调度，为运行在YARN上的各种类型作业分配资源
- TimeLineServer: 收集作业的指标，并展示作业执行情况
- JobHistory:
-
ClickHouse大盘
-
Flink大盘
-
Impala大盘
-
ZooKeeper大盘
-
Spark大盘进入集成EMR的prometheus实例，点击“E-MapReduce”标签，在弹出界面选择“大盘”tab页，点击大盘缩略图，即可查看对应Grafana大盘。
HOST大盘
HDFS大盘
HDFS-HOME
HDFS-NameNodes
HDFS-DataNodes
HDFS-JournanlNodes
Hive大盘
HiveMetaStore
HiveServer2
YARN大盘
HOME
- YARN-HOME-copy
- YARN-HOME2
NodeManagers
JobHistory
ResourceManager
TimeLineServer
Kafka大盘
KAFKA-HOME
KAFKA-Broker
KAFKA-Topic
Impala大盘
Spark大盘
ZooKeeper大盘
ClickHouse大盘
自建 Prometheus 与阿里云 Prometheus 监控的优劣对比
Prometheus作为目前最主流的可观测开源项目之一，已经被众多企业所广泛应用。但在实际生产过程中，还是遇到各种各样问题，其中包括：
- 由于安全、组织管理等因素，用户业务通常部署在多个相互隔离的 VPC，需要在多个 VPC 内都重复、独立部署 Prometheus，导致部署和运维成本高。
- 每套完整的自建观测系统都需要安装并配置 Prometheus、Grafana、AlertManager 等组件，部署过程复杂、实施周期长，并且每次升级都需要对每个组件进行维护。
- 随着监控规模不断扩大，资源消耗呈非线性快速增加，系统可用性无法得到保障。
- 对于EMR的相关组件，自建 Prometheus 无法实现一站式、全局视角的监控建设。
- 开源分享的相关大盘不够专业，却少开箱即用的丰富指标，不能帮助用户更迅速的了解EMR的整体运行状况
针对以上问题，阿里云Proemtheus监控进行了以下几个方面的优化：
一、性能强化&降低资源消耗，压降IT运维成本
为了进一步进行性能优化，阿里云Prometheus监控将Agent 部署在用户侧，保留原生采集能力同时， 尽量使用最少资源；通过采集存储分离架构，提高整体性能；采集组件优化，提升单副本采集能力，降低资源消耗；通过多副本横向扩展均衡分解采集任务，实现动态扩缩，解决开源水平扩展问题。采集/数据处理/存储组件支持多副版本，保证核心数据链路高可用；基于集群规模可直接进行弹性扩容；支持数据重传，彻底解决丢弃逻辑弊病，确保数据完整性与准确性。
同时，为了应对大规模数据、长时间区间的查询场景，通过DAG执行优化、算子下推，提升大规模数据查询性能并支持长时间区间秒级查询；通过Global DataSource和Global View实现对多集群统一监控与跨集群聚合查询。
在提供企业级能力强化同时，全方位降低企业使用Prometheus的IT运维成本。通过包年包月、按量付费等多种计费方式让费用支出与规划更加清晰与灵活，相较于开源版本节省37%以上。
二、与各类数据云服务深度集成
云产品在各自控制台都提供自身产品的可观测性，但这些云产品的指标及看板散落在各控制台，且无法进行精细化的指标数据应用。Prometheus服务提供云产品监控功能，将这些数据进行统一展现、查询、告警，为运维团队提供更加便捷的日常运维监控界面。
三、Grafana看板增强，让云服务监控更简单
想要更好、更快速的呈现相关指标图表，阿里云Prometheus监控预置Grafana组件，预置常见云服务、应用等看板模板，如应用实时监控服务ARMS、云监控CMS、日志服务SLS、阿里云Elasticsearch等云服务，提供各种云服务的数据源配置及预置大盘，实现各种可观测数据的统一展示。如容器、消息队列Kafka等，进一步提供GrafanaPro大盘，帮助运维进行更加精细化的指标观测。在预置看板之外，可以通过Grafana官方自由增加新插件，添加新的可视化模板以及数据源，进一步满足个性化运维监控需求。
相关链接
[1] HOST指标
https://help.aliyun.com/document_detail/426468.html?spm=a2c4g.11186623.0.0.741d6a7fW0Lwr5
[2] HDFS指标
https://help.aliyun.com/document_detail/420598.html
[3] YARN指标
https://help.aliyun.com/document_detail/424946.html
[4] Hive指标
https://help.aliyun.com/document_detail/425274.html
[5] ZooKeeper指标
https://help.aliyun.com/document_detail/425464.html
[6] Kafka指标
https://help.aliyun.com/document_detail/425521.html
[7] Impala指标
https://help.aliyun.com/document_detail/427926.html
[8] HUE指标
https://help.aliyun.com/document_detail/428413.html
[9] Kudu指标
https://help.aliyun.com/document_detail/427958.html
[10] ClickHouse指标
https://help.aliyun.com/document_detail/425523.html
[11] Flink指标
https://help.aliyun.com/document_detail/430469.html
[12] EMR控制台
https://emr-next.console.aliyun.com/#/region/cn-hangzhou/resource/all/overview
[13] 阿里云Prometheus
