prometheus实战之四：alertmanager的部署和配置

欢迎访问我的GitHub

这里分类和汇总了欣宸的全部原创(含配套源码)：https://github.com/zq2599/blog_demos

本篇概览

本文是《prometheus实战》系列的第四篇，在《prometheus实战之三：告警规则》中曾经提到过，整个告警功能分为规则和通知两部分，前文详细说明了规则，今天要学习的就是剩下的通知部分
完整的数据流如下图，告警从prometheus出发，到达alertmanager之后，根据配置，alertmanager会调用web服务的接口，而web服务自己又会向飞书服务器发送请求，从而触发飞书APP收到通知
之所以选飞书作通知手段，首先是简单，其次是相对熟悉，您也可以按照自己的喜好去选择通知途径
本篇要做的是把alertmanager部署好，配置好，至于后面的web服务就留在下一篇吧，咱们适当控制篇幅
接下来把本篇的操作步骤按顺序列一下，然后开工，如下所示，一共八步，助您完成完全个性化的告警配置

接下来就逐步完成吧

alertmanageransible_25">1. 编写部署alertmanager的ansible脚本

关于用ansible部署软件的操作，咱们在《prometheus实战之一：用ansible部署》有详细的说明，因此关于ansible的基本设置就不在本篇赘述了，直接给出部署alertmanager的ansible脚本即可
ansible的改动一共有以下三步

hosts文件内容如下，新增了alertmanager，可见我这里是把prometheus和alertmanager部署在同一台机器上的，您可以按自己的实际情况调整

[prometheus-group]
prometheus ansible_host=192.168.50.134 ansible_port=22 ansible_user=prometheus ansible_password=888888
working001 ansible_host=192.168.50.134 ansible_port=22 ansible_user=prometheus ansible_password=888888
alertmanager ansible_host=192.168.50.134 ansible_port=22 ansible_user=prometheus ansible_password=888888

vars.yml文件内容如下，新增四个和alertmanager有关的

prometheus_user_home: /home/prometheus
prometheus_base_path: '{{prometheus_user_home}}/prometheus'
prometheus_url: https://github.com/prometheus/prometheus/releases/download
prometheus_version: 2.37.7
prometheus_deploy_path: '{{prometheus_base_path}}/prometheus-{{prometheus_version}}.linux-amd64'

node_exporter_base_path: '{{prometheus_user_home}}/node_exporter'
node_exporter_url: https://github.com/prometheus/node_exporter/releases/download
node_exporter_version: 1.5.0
node_exporter_deploy_path: '{{node_exporter_base_path}}/node_exporter-{{node_exporter_version}}.linux-amd64'

alertmanager_base_path: '{{prometheus_user_home}}/alertmanager'
alertmanager_url: https://github.com/prometheus/alertmanager/releases/download
alertmanager_version: 0.25.0
alertmanager_deploy_path: '{{alertmanager_base_path}}/alertmanager-{{alertmanager_version}}.linux-amd64'

最后是执行部署的脚本install_alertmanager.yml

- name: 部署alertmanager
  hosts: alertmanager
  gather_facts: True
  vars_files:
  - vars.yml  
  tasks:
  - name: 停止残留的alertmanager
    ignore_errors: yes
    systemd:
      name: alertmanager
      state: stopped
    become: yes

  - name: 清理可能的alertmanager service残留文件
    file:
      path: /etc/systemd/system/alertmanager.service
      state: absent
    become: yes

  - name: 清理可能的alertmanager残留文件夹
    file:
      path: '{{alertmanager_base_path}}'
      state: absent

  - name: 新建部署文件夹
    file:
      path: '{{alertmanager_base_path}}'
      state: directory
      mode: '0755'

  - name: 下载并解压文件alertmanager-{{alertmanager_version}}.linux-amd64.tar.gz
    ansible.builtin.unarchive:
      src: '{{alertmanager_url}}/v{{alertmanager_version}}/alertmanager-{{alertmanager_version}}.linux-amd64.tar.gz'
      dest: '{{alertmanager_base_path}}'
      remote_src: yes

  - name: 生成systemd的service文件
    shell: |
      tee /etc/systemd/system/alertmanager.service <<-'EOF'
      [Unit]
      Description=Alert manager Server
      Documentation=https://prometheus.io/docs/introduction/overview/
      After=network-online.target
      [Service]
      User=prometheus
      Restart=on-failure
      ExecStart={{alertmanager_deploy_path}}/alertmanager --config.file={{alertmanager_deploy_path}}/alertmanager.yml --storage.path={{alertmanager_base_path}}/data
      [Install]
      WantedBy=multi-user.target
      
      EOF
    become: yes

  - name: 刷新服务配置
    systemd:
      daemon_reload: true
    become: yes

  - name: 将alertmanager服务设置为自启动
    systemd:
      name: alertmanager
      enabled: true
      masked: no
    become: yes      

  - name: 启动alertmanager
    systemd:
      state: started
      name: alertmanager
    become: yes

以上就是部署alertmanger所需的全部脚本了，它们都存放在ansible服务器的playbooks目录下

alertmanager_136">2. 部署alertmanager

ssh到ansible服务器，在playbooks目录执行以下命令即可完成部署

ansible-playbook install_alertmanager.yml

检查服务状态，确认已经启动成功
alertmanager也有自己的webui，端口号是9093，浏览器打开后如下图所示，只不过现在还是空空如也的状态

prometheus alertmanager_145">3. 配置prometheus，使告警到达alertmanager

目前prometheus还不知道alertmanager服务已就绪，需要修改它的配置文件prometheus.yml，让它知道alertmanager在哪里
以prometheus账号的身份登录prometheus服务器，修改prometheus.yml文件，如下图，增加alertmanager的地址
然后用命令systemctl restart prometheus重启prometheus服务（注意是prometheus账号）
可以在prometheus的webui检查配置是否成功

alertmanagerweb_152">4. 配置alertmanager，使通知到达web服务

现在prometheus的告警可以到达alertmanager了，然后要考虑的是alertmanager如何处理这个告警，按照最初的目标，就是alertmanager会发起webhook，于是咱们就要在alertmanager上做配置，让它知道收到告警后该怎么做
alertmanager的告警通知配置共有以下五部分

全局配置(global)：一些通用的全局参数
模板(templates)：告警通知用的模板
告警路由(route)：指定特定的告警去特定的通知目标，例如A告警走webhook，B告警走邮件通知
通知接受者(receivers)：定义通知目标，例如webhook、邮件等
抑制规则(inhibit_rules)：对告警进行收敛的规则，避免产生无用告警

本篇使用的配置文件route.yml如下，每个配置都有详细描述

global:
  # 全局配置，收到告警后，如果持续10分钟都没再收到告警，就把告警状态标记为resolved（已解决）
  resolve_timeout: 10m
route:
  # 分组，处于同一组的告警会被合并为同一个通知
  # 这里设置的是alertname相同的告警会被合并为同一个通知
  group_by: ['alertname']
  # 30秒是个时间窗口，这个窗口内，同一个分组的所有消息会被合并为同一个通知
  group_wait: 30s
  # 同一个分组发送一次合并消息之后，每隔1分钟检查一次告警，判断是否要继续对此告警做操作
  group_interval: 1m
  # 按照group_interval的配置，每隔1每分钟检查一次，等到第六次时，1*6=6，大于repeat_interval的5m，此时就会在再次发送告警
  repeat_interval: 5m
  # 指定具体的通知方式
  # 简单起见，这里只配置了顶级路由，没有针对故障的标签进行细分
  receiver: 'web.hook'
receivers:
  - name: 'web.hook'
    webhook_configs:
      # alertmanager发起web请求的地址
      - url: 'http://192.168.50.134:8080/webhook'
# 告警抑制规则，可以有多条
inhibit_rules:
  # 这个规则的意思是：一旦收到critical级别的告警，那么再收到低级别(warning)的告警就没必要通知了，
  # 还有一处非常重要的比较，就是低级别告警的node标签的值，要和critical级别告警的node标签的值要相等，也就是确保两个告警的来源相同
  - source_match:
      severity: 'critical'
    target_match:
      severity: 'warning'
    equal: ['node']

在本篇的实战中，由于prometheus发来的告警非常简单，只是个CPU使用量过高的告警，达不到上面的抑制规则的要求（需要sererity和node两个标签），所以抑制规则就不做实际演练了
注意上面配置的webhook_configs，地址是http://192.168.50.134:8080/webhook，这是咱们自己写的一个web服务，只要alertmanager收到prometheus发来的告警，就会调用这个web接口，当然了，目前此接口还未实现，留待下一篇完成

5. 简单验证

现在web应用还没有开发出来，所以alertmanager收到告警去调用web接口肯定会失败的
不过即便如此，我也想强行试试效果，动手吧
确保您的prometheus是正常状态，然后像前文那样把应用服务器的CPU弄得很高（例如运行ffmpeg），触发告警
这时候去看alertmanager的web UI，地址是http://192.168.50.134:9093/#/alerts，发现已经收到了来自prometheus的告警，证明咱们的部署和配置都是有效的了
既然咱们配置了webhook，而且webhook的地址是个不存在的服务，那么alertmanager的告警通知应该会发生调用失败吧，这只是个推测，要如何确认呢？
用命令journalctl _PID=767查看alertmanager日志，767是alertmanager的进程ID，内容如下所示，可见alertmanager确实根据配置向http://127.0.0.1:5001发起了web调用，遇到了connection refused错误，完全符合预期

May 13 10:04:40 deskmini alertmanager[767]: ts=2023-05-13T02:04:40.869Z caller=notify.go:732 level=warn component=dispatcher receiver=web.hook integration=webhook[0] msg="Notify attempt failed, will retry later" attempts=1 err="Post \"http://127.0.0.1:5001/\": dial tcp 127.0.0.1:5001: connect: connection refused"
May 13 10:09:40 deskmini alertmanager[767]: ts=2023-05-13T02:09:40.869Z caller=dispatch.go:352 level=error component=dispatcher msg="Notify for alerts failed" num_alerts=1 err="web.hook/webhook[0]: notify retry canceled after 16 attempts: Post \"http://127.0.0.1:5001/\": dial tcp 127.0.0.1:5001: connect: connection refused"
May 13 10:09:40 deskmini alertmanager[767]: ts=2023-05-13T02:09:40.869Z caller=notify.go:732 level=warn component=dispatcher receiver=web.hook integration=webhook[0] msg="Notify attempt failed, will retry later" attempts=1 err="Post \"http://127.0.0.1:5001/\": dial tcp 127.0.0.1:5001: connect: connection refused"