OOM 如何监控可视化、告警推送、服务自愈

OOM，out of memory，就是内存用完了耗尽了的意思。会触发kernel调用OOM killer杀进程来解除这种状况。

OOM分为虚拟内存OOM和物理内存OOM，两者是不一样的。

虚拟内存OOM发生在用户空间，用户空间分配的就是虚拟内存，不能分配物理内存，用户空间虚拟内存OOM表现为malloc、mmap等内存分配接口返回失败，错误码为ENOMEM。

程序在运行的时候触发缺页异常从而需要分配物理内存，kernel 自身在运行的时候也需要分配物理内存，如果此时物理内存不足了，就会发生物理内存OOM。

OOM是非常严重的问题，那我们如何监控、告警、甚至自愈呢？

1、采用 node_export + grafna + prometheus + alertmanager 监控

1.1、node_export 监控数据采集 --collector.vmstat

/opt/exporter/bin/node_exporter_51233 --web.listen-address=0.0.0.0:51233 --collector.cpu.info --collector.arp --collector.cpu --collector.diskstats --collector.filesystem --collector.loadavg --collector.meminfo --collector.mountstats --collector.nfs --collector.stat --collector.tcpstat --collector.vmstat

1.2、grafna 中写PromQL 制定 OOM 可视化

-- oom 频率increase(node_vmstat_oom_kill{host=~"$host"}[1m])
-- oom 总次数node_vmstat_oom_kill > 0

1.3、 prometheus 设定 rules oom 告警阈值

/opt/prometheus/rules/node_rules.yml 文件添加 oom 告警阈值

 ##alert for host oom
  - alert: IOV-HostOomKillDetected
    expr: increase(node_vmstat_oom_kill[1m]) > 0
    for: 0m
    labels:
      level: 3
    annotations:
      cur_value: '{{ $value }}'
      description: "OOM kill detected"

　1.4、alertmanager 配置告警推送规则

alertmanager.yml 中配置，具体配置略

2、systemd服务自愈

systemd服务异常自动重启很好用，OOM就是通过kill -9来杀进程,没有

RestartPreventExitStatus 限定的情况下服务异常中断会自愈重启。

但有的时候希望某些服务只在特定情况下进行重启，

systemd的[Service]段落里支持一个参数，叫做RestartPreventExitStatus

该参数从字面上看，意思是当符合某些退出状态时不要进行重启。

该参数的值支持exit code和信号名2种，可写多个，以空格分隔，例如

RestartPreventExitStatus=143 137 SIGTERM SIGKILL

[Unit]
  Description=mytest
  [Service]
  Type=simple
  ExecStart=/root/mytest.sh
  Restart=always
  RestartSec=5
  StartLimitInterval=0
  [Install]
  WantedBy=multi-user.target

重点参数详解
Restart=always: 只要不是通过systemctl stop来停止服务，任何情况下都必须要重启服务，默认值为no
RestartSec=5: 重启间隔，比如某次异常后，等待5(s)再进行启动，默认值0.1(s)
StartLimitInterval: 无限次重启，默认是10秒内如果重启超过5次则不再重启，设置为0表示不限次数重启

附上效果图：