监控系统自监控怎么做？

问题

监控系统用于监控其他的监控系统、基础设施，系统绝对是自监 P0 级的服务，那监控系统的监控自监控应该怎么做呢 ？如果自己监控自己 ，有些组件挂掉了难免循环依赖，系统如果单独搞一套新的自监监控系统来监控当前服役的监控系统
 ，又搞得有些过于复杂。监控本文我们来探讨一下监控系统的系统自监控应该怎么做。

解决方案
：自身指标

首先 ，自监监控系统自身是高防服务器监控会暴露监控指标的 ，比如 Prometheus 、系统VictoriaMetrics、自监Nightingale ，监控都通过 /metrics 接口暴露了自身的系统监控指标，这些指标通过监控系统自身的自监采集机制去采集就好，相关数据的历史趋势图、告警规则，也在监控系统自身配置好，只要自身模块没有挂掉 ，或者没有全部挂掉，相关数据基本都可以正常使用 。免费模板

比如 Nightingale 的自身监控指标 ，可以通过 categraf 的 input.prometheus 插件来采集，即 conf/input.prometheus/prometheus.toml 的内容如下：

[[instances]] urls = [ "http://localhost:17000/metrics" ]

localhost:17000 换成你的 Nightingale 的地址即可。然后导入内置仪表盘
 ：https://github.com/ccfos/nightingale/tree/main/integrations/n9e/dashboards，即可看到 Nightingale 自身的监控指标了
。

解决方案：存活监控

如果监控系统同时有多个模块故障 ，此时自身指标可能都采集不到了 ，告警引擎可能也有故障 ，此时就没法通过自身指标来监控了 
，此时就需要一个外挂的云计算小监控系统来监控这类严重情况了。而且
，告警通道尽量也不要复用之前的通道 ，因为通道可能也会故障 。

我的建议是采用 catpaw + FlashDuty 来搞这个需求。FlashDuty 是外网的 SaaS 服务 ，只要公网出口是好的，就能提供监控服务，而且无需我们维护
，模板下载使用免费套餐都够用，毕竟监控系统也不会经常挂。 。。

catpaw 最新版本是 v0.7.0，已经提供了 exec（执行脚本的插件）、filechange（文件变化监控的插件）、http（HTTP探测的插件）、journaltail（系统日志异常检测插件）  、mtime（递归判断文件变化的插件） 、net（TCP  、源码下载UDP探测的插件） 、ping（PING插件）、procnum（进程数量监控插件）、sfilter（自定义脚本插件 ，相比exec插件更简单，匹配脚本输出） 等多个监控插件，我们可以使用 net 插件来探测监控系统的各个组件的存活情况，比如下面是 net 插件的配置样例 ：

[[instances]] targets = [ # "127.0.0.1:22", # "localhost:6379", # ":9090" ] ## Set timeout (default 5 seconds) # timeout = "5s" ## Set read timeout (only used if expecting a response) # read_timeout = "5s" # # Concurrent requests to make per instance # concurrency = 10 # # gather interval # interval = "30s" # # Optional append labels # labels = { env="production", team="devops" } ## Protocol, must be "tcp" or "udp" ## NOTE: because the "udp" protocol does not respond to requests, it requires ## a send/expect string pair (see below). # protocol = "tcp" ## The following options are required for UDP checks. For TCP, they are ## optional. The plugin will send the given string to the server and then ## expect to receive the given expect string back. ## string sent to the server # send = "ssh" ## expected string in answer # expect = "ssh" [instances.alerting] ## Enable alerting or not enabled = true ## Same functionality as Prometheus keyword for for_duration = 0 ## Minimum interval duration between notifications repeat_interval = "5m" ## Maximum number of notifications repeat_number = 3 ## Whether notify recovery event recovery_notification = true ## Choice: Critical, Warning, Info default_severity = "Warning"

如果目标 IP:Port 连不上了，就会报警，报警事件的具体推送策略在 [instances.alerting] 配置段配置 。服务器租用

如果监控系统的某个模块，不监听端口，没法监控端口存活 ，可以使用进程数量监控，即 procnum 插件，相关配置样例如下
：

[[instances]] # # executable name (ie, pgrep <search_exec_substring>) # search_exec_substring = "" # # pattern as argument for pgrep (ie, pgrep -f <search_cmdline_substring>) search_cmdline_substring = "" # # windows service name # search_win_service = "" alert_if_num_lt = 1 check = "进程存活检测(进程数量检测)" interval = "30s" [instances.alerting] ## Enable alerting or not enabled = true ## Same functionality as Prometheus keyword for for_duration = 0 ## Minimum interval duration between notifications repeat_interval = "5m" ## Maximum number of notifications repeat_number = 3 ## Whether notify recovery event recovery_notification = true ## Choice: Critical, Warning, Info default_severity = "Warning"

net 和 procnum 这两个插件配合，理论上一定可以发现进程挂掉的情况，如此一来，严重的情况 catpaw 就可以发现了，不严重的情况，监控系统自身的指标就可以发现了，齐活。