ES监控方案

本文主要讲述使用 Prometheus监控ES，梳理核心监控指标并构建 Dashboard ，当集群有异常或者节点发生故障时，可以根据性能图表以高效率的方式进行问题诊断，再对核心指标筛选添加告警。

根据《How to monitor Elasticsearch performance》一文中的介绍：

Elasticsearch本身提供了大量的指标，可以帮助我们进行故障预检，并在遇到诸如节点不可用、JVM OutOfMemoryError和垃圾回收时间过长等问题时采取必要措施。通常需要监控的几个关键领域是：

查询和索引（indexing）性能
内存分配和垃圾回收
主机级别的系统和网络指标
集群健康状态和节点可用性
资源饱和度和相关错误

梳理promethues官方的提供的ElasticSearch exporter提供的核心metrics监控以上关键领域

集群健康和节点可用性

通过cluster healthAPI可以获取集群的健康状况，可以把集群的健康状态当做是集群平稳运行的重要信号，一旦状态发生变化则需要引起重视；API返回的一些重要参数指标及对应的prometheus监控项如下

返回参数	备注	metric name
status	集群状态，green（所有的主分片和副本分片都正常运行）、yellow（所有的主分片都正常运行，但不是所有的副本分片都正常运行）red（有主分片没能正常运行）	elasticsearch_cluster_health_status
number_of_nodes/number_of_data_nodes	集群节点数/数据节点数	elasticsearch_cluster_health_number_of_nodes/data_nodes
active_primary_shards	活跃的主分片总数	elasticsearch_cluster_health_active_primary_shards
active_shards	活跃的分片总数（包括复制分片）	elasticsearch_cluster_health_active_shards
relocating_shards	当前节点正在迁移到其他节点的分片数量，通常为0，集群中有节点新加入或者退出时该值会增加	elasticsearch_cluster_health_relocating_shards
initializing_shards	正在初始化的分片	elasticsearch_cluster_health_initializing_shards
unassigned_shards	未分配的分片数，通常为0，当有节点的副本分片丢失该值会增加	elasticsearch_cluster_health_unassigned_shards
number_of_pending_tasks	只有主节点能处理集群级元数据的更改(创建索引，更新映射，分配分片等)，通过`pending-tasks` API可以查看队列中等待的任务，绝大部分情况下元数据更改的队列基本上保持为零	elasticsearch_cluster_health_number_of_pending_tasks

依据上述监控项，配置集群状态Singlestat面板，健康状态一目了然

主机级别的系统和网络指标

metric name	description
elasticsearch_process_cpu_percent	Percent CPU used by process CPU使用率
elasticsearch_filesystem_data_free_bytes	Free space on block device in bytes 磁盘可用空间
elasticsearch_process_open_files_count	Open file descriptors ES进程打开的文件描述符
elasticsearch_transport_rx_packets_total	Count of packets receivedES节点之间网络入流量
elasticsearch_transport_tx_packets_total	Count of packets sentES节点之间网络出流量

如果CPU使用率持续增长，通常是由于大量的搜索或索引工作造成的负载。可能需要添加更多的节点来重新分配负载。

文件描述符用于节点间的通信、客户端连接和文件操作。如果打开的文件描述符达到系统的限制（一般Linux运行每个进程有1024个文件描述符，生产环境建议调大65535），新的连接和文件操作将不可用，直到有旧的被关闭。

如果ES集群是写负载型，建议使用SSD盘，需要重点关注磁盘空间使用情况。当segment被创建、查询和合并时，Elasticsearch会进行大量的磁盘读写操作。

节点之间的通信是衡量群集是否平衡的关键指标之一，可以通过发送和接收的字节速率，来查看集群的网络正在接收多少流量。

JVM内存和垃圾回收

metric name	description
elasticsearch_jvm_gc_collection_seconds_count	Count of JVM GC runs垃圾搜集数
elasticsearch_jvm_gc_collection_seconds_sum	GC run time in seconds垃圾回收时间
elasticsearch_jvm_memory_committed_bytes	JVM memory currently committed by area最大使用内存限制
elasticsearch_jvm_memory_used_bytes	JVM memory currently used by area 内存使用量

主要关注JVM Heap 占用的内存以及JVM GC 所占的时间比例，定位是否有 GC 问题。Elasticsearch依靠垃圾回收来释放堆栈内存，默认当JVM堆栈使用率达到75%的时候启动垃圾回收，添加堆栈设置告警可以判断当前垃圾回收的速度是否比产生速度快，若不能满足需求，可以调整堆栈大小或者增加节点。

搜索和索引性能

搜索请求

metric name	description
elasticsearch_indices_search_query_total	query总数
elsticsearch_indices_search_query_time_seconds	query时间
elasticsearch_indices_search_fetch_total	fetch总数
elasticsearch_indices_search_fetch_time_seconds	fetch时间

索引请求

metric name	description
elasticsearch_indices_indexing_index_total	Total index calls索引index数
elasticsearch_indices_indexing_index_time_seconds_total	Cumulative index time in seconds累计index时间
elasticsearch_indices_refresh_total	Total time spent refreshing in second refresh时间
elasticsearch_indices_refresh_time_seconds_total	Total refreshess refresh数
elasticsearch_indices_flush_total	Total flushes flush数
elasticsearch_indices_flush_time_seconds	Cumulative flush time in seconds累计flush时间

将时间和操作数画在同一张图上，左边y轴显示时间，右边y轴显示对应操作计数，ops/time查看平均操作耗时判断性能是否异常。通过计算获取平均索引延迟，如果延迟不断增大，可能是一次性bulk了太多的文档。

Elasticsearch通过flush操作将数据持久化到磁盘，如果flush延迟不断增大，可能是磁盘IO能力不足，如果持续下去最终将导致无法索引数据。

资源饱和度

metric name	description
elasticsearch_thread_pool_queue_count	Thread Pool operations queued 线程池中排队的线程数
elasticsearch_thread_pool_rejected_count	Thread Pool operations rejected 线程池中被拒绝的线程数
elasticsearch_indices_fielddata_memory_size_bytes	Field data cache memory usage in bytes fielddata缓存的大小
elasticsearch_indices_fielddata_evictions	Evictions from filter cache fielddata缓存的驱逐次数
elasticsearch_indices_filter_cache_memory_size_bytes	Filter cache memory usage in bytes 过滤器高速缓存的大小
elasticsearch_indices_filter_cache_evictions	Evictions from filter cache 过滤器缓存的驱逐次数
elasticsearch_cluster_health_number_of_pending_tasks	Cluster level changes which have not yet been executed 待处理任务数
elasticsearch_indices_get_missing_total	Total get missing 丢失文件的请求数
elasticsearch_indices_get_missing_time_seconds	Total time of get missing in seconds 文档丢失的请求时间