云计算平台管理的三大利器Nagios、Ganglia和Splunk
?
原文链接:http://www.programmer.com.cn/11477/
文 / 杨俊华
综合利用Nagios、Ganglia和Splunk搭建起的云计算平台监控体系，具备错误报警、性能调优、问题追踪和自动生成运维报表的功能。有了这套系统，就可轻松管理Hadoop/HBase云计算平台。
云计算早已不是停留在概念阶段了，各大公司都购买了大量的机器，开始正式的部署和运营。而动辄上百台的性能强劲的服务器，为运营管理带来了巨大的挑战。
- 如果没有方便的监控报警平台，对于管理员而言犹如噩梦，每天都将如救火队员一样，飞快地敲击键盘，用原始的Unix命令在多台机器中疲于奔命。
- 如果没有好的日志管理平台，对于开发者Troubleshooting更是一件泪流满面的事情。
- 而如果你是运维团队的总负责人，简洁清晰的Report则非常重要。Stakeholder们动不动就可能问起系统的SLA、机器的利用率等诸多问题，毕竟，公司为此投入了巨大的资金和人力。
朋友们，当我们管理起公司寄予厚望的云计算平台时，当我们面对如此多充满挑战的实际问题时，该怎么办？
概述
我们在搭建趋势云计算平台时，遇到了很多的问题和挑战。开始搭建时，第一次来了那么多性能强劲的机器，我们在感到兴奋的同时，也不免有些顾虑。大家坐在一起讨论，问题就列了满满一白板。
- 出了问题怎么办，有没有预警机制？
- 有没有可视化的管理界面？
- 管理平台需要自己开发吗？开发难度有多大？
- 有没有开源的管理工具？
- 那么多日志分布在各个机器上，有没有更有效的方法管理？
- 能否生成好的报表？
- 机器宕机，管理员能否收到短信通知？
- 如何做性能调优？
- 扩容升级时，能否给出依据？
带着这些问题，我们开始了自己的云计算平台管理和运营之旅，一路走来，收获颇丰。现在基本上形成了如图1所示的一整套云计算平台监控体系。
图6 Splunk与Nagios配合使用进行日志搜索
?
对Hadoop和HBase有了进一步了解后，我们可以利用Splunk实时检测日志中的关键字，定义关键字规则，如监控“shutdown”、“quit”、“ERROR”、“Zookeeper?Session?Expired”等，一旦出现，利用Splunk的Notification功能，发出邮件通知管理员，管理员通过Splunk定位问题，就可以在系统真正出现问题之前，对系统进行调整，防患于未然。
具体Splunk的设置，可以参考：http://www.spnguru.com/?p=122。
总结
搭建一套云计算平台，强大的监控管理系统是必不可少的。当然，任何工具都不是万能的，在实际维护过程中，我们也发现，Nagios和Splunk经常出现误报，如果规则定义得不好，大量的警报邮件如潮水一样涌来，反而掩盖了真正的问题。可以说，在云计算平台的运维管理上，没有一劳永逸的事情，随着规模的不断增大和应用的不断多样化，需要大家不断地实践和总结。
作者杨俊华，趋势科技研发中心资深开发工程师，2009年至今一直从事Hadoop和HBase开发和运维工作，关注Hadoop开源社区的发展。
?
本文选自《程序员》杂志2011年09期，未经允许不得转载。如需转载请联系 market@csdn.net