监控系统自监控怎么做？

问题

监控系统用于监控其他的系统、基础设施，绝对是 P0 级的服务，那监控系统的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，如果单独搞一套新的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。本文我们来探讨一下监控系统的自监控应该怎么做。

一个实用的答案是分层处理：

日常健康状态：用监控系统自身暴露的 /metrics 做指标采集、看图和告警。
严重不可用状态：用外挂的小监控链路做进程、端口、HTTP、Ping 等存活探测。
告警通道：严重兜底告警尽量不要复用原监控系统的告警链路，避免一起失效。

层级	监控对象	主要手段	解决的问题
自身指标	Prometheus、VictoriaMetrics、Nightingale 等组件指标	`/metrics` + 采集器 + 仪表盘/告警	发现性能、队列、错误率等健康趋势
外挂存活监控	端口、进程、HTTP、Ping	catpaw 的 net、procnum 等插件	发现组件整体不可用
独立通知	告警链路本身	Flashduty 等外部事件通知	原监控系统故障时仍能通知

方案一：采集自身指标

首先，监控系统自身是会暴露监控指标的，比如 Prometheus、VictoriaMetrics、Nightingale，都通过 /metrics 接口暴露了自身的监控指标，这些指标通过监控系统自身的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。

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。

方案二：外挂存活监控

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，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、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。

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"