【Falcon】Falcon-Agent基础数据采集

下面列出的采集项都是falcon-agent直接支持的，每隔一段时间（目前是60s）采集汇报一次

CPU相关采集项

计算方法：每秒采集一次/proc/stat，计算差值。都是GAUGE类型的。

cpu.idle 是个百分比的数字，比如80.3
cpu.busy 与cpu.idle相对=100-cpu.idle
cpu.guest guest时间占比
cpu.iowait iowait时间占比
cpu.irq irq时间占比
cpu.softirq softirq时间占比
cpu.nice nice时间占比
cpu.steal steal时间占比
cpu.system system时间占比
cpu.user user时间占比
cpu.cnt cpu核数
cpu.switches cpu上下文切换次数，COUNTER类型

磁盘相关采集项

计算方法：先读取/proc/mounts拿到所有挂载点，然后通过syscall.Statfs_t拿到blocks和inode的使用情况，都是GAUGE类型的。
每个metric都会有个tag：mount= $mount,fstype=$ fstype， $mount是挂载点，$ fstype是文件系统，比如ext4

df.bytes.free 是个integer，表示free的block数目
df.bytes.free.percent 是个float，表示free的block数目占总的block数目的百分比，比如32.1
df.bytes.total 是个integer，表示block总数
df.bytes.used 不解释
df.bytes.used.percent 不解释
df.inodes.total 是个integer，表示inode总数
df.inodes.free 是个integer，表示free的inode数目
df.inodes.free.percent 是个float，表示free的inode占比
df.inodes.used 不解释
df.inodes.used.percent 不解释

LSI RAID
使用 megacli 工具读取 RAID 相关信息，10分钟采集一次，tag 表明所属 PD 或者 VD：

PD=Enclosure_ID:SLOT_ID，如 PD=32:0 表明第一块磁盘

VD=0 表明第一个逻辑磁盘

sys.disk.lsiraid.pd.Media_Error_Count 这个及以下三个指标目前仅作为数据收集，不一定意味磁盘损坏（概率变大）
sys.disk.lsiraid.pd.Other_Error_Count
sys.disk.lsiraid.pd.Predictive_Failure_Count
sys.disk.lsiraid.pd.Drive_Temperature
sys.disk.lsiraid.pd.Firmware_state 如果值不为0，则此物理磁盘出现问题
sys.disk.lsiraid.vd.cache_policy 如果值不为0，表示此逻辑磁盘缓存策略和设置不符
sys.disk.lsiraid.vd.state 如果值不为0，表示此逻辑磁盘出现问题

SMART
使用 smartctl 工具读取磁盘 SMART 信息，10分钟采集一次，目前所有指标仅作为数据收集，不一定意味磁盘损坏（概率变大），tag 表明盘符，device=/dev/sda

sys.disk.smart.Reallocated_Sector_Ct
sys.disk.smart.Spin_Retry_Count
sys.disk.smart.Reallocated_Event_Count
sys.disk.smart.Current_Pending_Sector
sys.disk.smart.Offline_Uncorrectable
sys.disk.smart.Temperature_Celsius

分区读写监控
测试所有已挂载分区是否可读写，1分钟采集一次，tag 表明挂载点，mount=/home

sys.disk.rw 如果值不为0，表明此分区读写出现问题

IO相关采集项

计算方法：每秒采集一次/proc/diskstats，计算差值，都是COUNTER类型的。
每个metric都会有个tag： device=$device，表示设备，比如sda1、sdb

下面各个采集项都是Integer，意思用中文表达不好说，直接给英文doc

disk.io.ios_in_progress Number of actual I/O requests currently in flight.
disk.io.msec_read Total number of ms spent by all reads.
disk.io.msec_total Amount of time during which ios_in_progress >= 1.
disk.io.msec_weighted_total Measure of recent I/O completion time and backlog.
disk.io.msec_write Total number of ms spent by all writes.
disk.io.read_merged Adjacent read requests merged in a single req.
disk.io.read_requests Total number of reads completed successfully.
disk.io.read_sectors Total number of sectors read successfully.
disk.io.write_merged Adjacent write requests merged in a single req.
disk.io.write_requests total number of writes completed successfully.
disk.io.write_sectors total number of sectors written successfully.
disk.io.read_bytes 单位是byte的数字
disk.io.write_bytes 单位是byte的数字
disk.io.avgrq_sz 下面几个值就是iostat -x 1看到的值
disk.io.avgqu-sz
disk.io.await
disk.io.svctm
disk.io.util 是个百分数，比如56.43，表示56.43%

机器负载相关采集项

计算方法：读取/proc/loadavg，都是GAUGE类型的。没啥好解释的，metric名称如下：

load.1min
load.5min
load.15min

网络相关采集项

计算方法：读取/proc/net/dev，每秒采集一次，计算差值，都是Integer类型，都是COUNTER类型的。
每个metric都对应一个tag： iface=$iface，比如eth0

metric中带有in的表示流入情况，out表示流出情况，total是总量in+out，支持的metric如下：

net.if.in.bytes
net.if.in.compressed
net.if.in.dropped
net.if.in.errors
net.if.in.fifo.errs
net.if.in.frame.errs
net.if.in.multicast
net.if.in.packets
net.if.out.bytes
net.if.out.carrier.errs
net.if.out.collisions
net.if.out.compressed
net.if.out.dropped
net.if.out.errors
net.if.out.fifo.errs
net.if.out.packets
net.if.total.bytes
net.if.total.dropped
net.if.total.errors
net.if.total.packets

端口采集项

计算方法：ss -ln，获取里边正在处于listen状态的端口。GAUGE类型，值要么是1：代表在监听，要么是0，代表没有在监听

每个metric有tag：port= $port，$ port就是端口

更新说明最新版本不会把所有端口都上报，用户在portal上配置监控策略，对某些端口做监控，配置了哪些端口就汇报哪些端口

net.port.listen

机器内核配置

都是GUAGE类型

kernel.maxfiles 读取的/proc/sys/fs/file-max
kernel.files.allocated 读取的/proc/sys/fs/file-nr第一个Field
kernel.files.left 值=kernel.maxfiles-kernel.files.allocated
kernel.maxproc 读取的/proc/sys/kernel/pid_max

ntp采集项

使用 ntpq -pn 获取本机时间相对于 ntp 服务器的 offset，10分钟采集一次

sys.ntp.offset 本机偏移时间，单位为ms，值过大或者为0则表明有异常，需要报警

进程监控

proc.num 进程数目，可以通过tag指定具体指哪个进程，比如name=sshd，如果是Java的应用进程名可能都是java，没法做区分，此时可以配置cmdline，比如cmdline=./falcon_agent-c./cfg.ini

其他采集项

agent.alive 只有一个值，就是1，可以配合nodata(600)来做机器是否宕机的辅助判断依据

/proc/net/netstat中的部分采集项，TcpExt.拼接上下面各个字段就是metric，比如TcpExt.PruneCalled

PruneCalled 慢速路径中，如果不能将数据直接复制到user space，需要加入到sk_receive_queue前，会检- 查receiver side memory是否允许，如果rcv_buf不足就可能prune ofo queue。此时计数器加１
LockDroppedIcmps tcp_v4_err(): 接收到ICMP错误报文，但tcp socket被user锁住
ArpFilter 在三手握手时的SYN_RECV状态中接收到RST或者SYN的次数
TW inet_twdr_do_twkill_work(): TIME_WAIT超时的socket数量（timeout >= 4s）
DelayedACKLocked ACK定时器因为user已经锁住而无法发送ACK的次数
ListenOverflows 三路握手最后一步完全之后，Accept queue队列超过上限时加１
ListenDrops 任何原因，包括Accept queue超限，创建新连接，继承端口失败等，加１
TCPPrequeueDropped 如果因为内存不足（ucopy.memory < sk->rcv_buf）而加入到prequeue失败，重新由backlog处理，计数器加１
TCPTSReorder Recovery状态时，接收到到部分确认(snd_una < high_seq)时但已经undo完成（undo_retrans == 0）的次数。数量上与TCPPartialUndo相等。
TCPDSACKUndo Disorder状态下，undo完成（undo_retrans == 0）的次数
TCPLoss 丢包
TCPLostRetransmit 根据SACK数据推测出的重段包丢失计数器：在tcp_sacktag_write_queue()->tcp_mark_lost_retrans()，如果发现tcp_highest_sack_seq(tp)超过某skb在重传时的snd_nxt(TCB->ack_seq)，就认为这个重传包已经丢失了，加１（加的不是段数）。tcp_highest_sack_seq(tp)是被SACK过的具有最高SEQ号的skb的seq
TCPLossFailures tcp_retransmit_timer(): icsk_retransmit==0（第一次进入重传状态）并且处于Loss状态下，计数器加１
TCPFastRetrans （非RTO timer）快速重传次数，即tcp_fastretrans_alert()/tcp_simple_retransmit()->tcp_xmit_retransmit_queue()中，如果不是LOSS状态，就加１
TCPTimeouts 在RTO timer中，从CWR/Open状态下第一次超时的次数，其余状态不计入这个计数器;SYN-ACK的超时次数
TCPSchedulerFailed tcp_delack_timer(): 在delay ACK处理功能内，如果prequeue中仍有数据，计数器就加１;加入到prequeue，本来是期待着userspace（使用tcp_recvmsg()之类的系统调用）尽快处理之。其中仍有数据，可能隐含着userspace行为不佳。
TCPAbortOnMemory 在执行tcp_close()/probe timer/keepalive timer时，orphan sockets数量和tcp_memory_allocated是否超过最大值的次数
TCPAbortOnTimeout RTO/probe/keepalive timer到达最大重试次数或者最长重试时间的次数
TCPAbortFailed tcp_send_active_reset(): alloc_skb()或者tcp_transmit_skb()失败。
TCPMemoryPressures tcp_enter_memory_pressure()在从“非压力状态”切换到“有压力状态”时计数器加１
TCPSpuriousRTOs tcp_process_frto()，如果frto_counter !=0 && frto_counter != 1加１
TCPBacklogDrop 如果socket被user锁住，后退一步内核会把包加到sk_backlog_queue，但如果因为sk_rcv_buf不足的原因入队失败，计数器加１
TCPMinTTLDrop 在接收到TCP报文或者TCP相关的ICMP报文时，检查IP TTL，如果小于socket option设置的一个阀值，就丢包

进程资源监控

威波写了一个插件，监控god启动进程占用的资源情况，大家可以用来监控服务进程的状态，并且继承god部署时使用tag，具体Metric如下：
1、process.cpu.all #进程和它的子进程使用的sys+user的cpu，单位是jiffies
2、process.cpu.sys #进程和它的子进程使用的sys cpu，单位是jiffies
3、process.cpu.user #进程和它的子进程使用的user cpu，单位是jiffies
4、process.swap #进程和它的子进程使用的swap，单位是page
5、process.fd #进程使用的文件描述符个数
6、process.mem #进程占用内存，单位byte

服务器门神管理口状态监控

Metric 如下：
1、 xm.menshen # 服务器门神是否可用。值为整数类型，1 可用，其他不可用
2、xm.ipmi # 服务器管理接口是否可用。值为整数类型，1 可用，其他不可用

其他命令采集

ss -s

ss.orphaned
ss.closed
ss.timewait
ss.slabinfo.timewait
ss.synrecv
ss.estab

转载：http://git.n.xiaomi.com/falcon/doc/wikis/agent_metric_intro