• HDFS是Hadoop生態(tài)的一部分，監(jiān)控方案不僅需適用HDFS，其他組件如Yarn、Hbase、Hive等，也需適用

• HDFS API提供的指標(biāo)較多，部分指標(biāo)沒必要實(shí)時(shí)采集，但故障時(shí)需能快速獲取到

• Hadoop相關(guān)組件的日志，比較重要，如問題定位、審計(jì)等

• 監(jiān)控方案不僅能滿足監(jiān)控本身，故障定位涉及指標(biāo)也應(yīng)覆蓋

Hadoop監(jiān)控?cái)?shù)據(jù)采集通過HTTP API，或者JMX。實(shí)際中，用到比較多的產(chǎn)品主要有：CDH、Ambari，此外，還有部分工具，如Jmxtrans、HadoopExporter（用于Prometheus）。

CDH為Cloudera公司開源的一款集部署、監(jiān)控、操作等于一體的Hadoop生態(tài)組件管理工具，也提供收費(fèi)版（比免費(fèi)版多提供數(shù)據(jù)備份恢復(fù)、故障定位等特性）。CDH提供的HDFS監(jiān)控界面在體驗(yàn)上是非常優(yōu)秀的，是對(duì)HDFS監(jiān)控指標(biāo)深入發(fā)掘之后的濃縮，比如HDFS容量、讀寫流量及耗時(shí)、Datanode磁盤刷新耗時(shí)等。

圖1 CDH提供的HDFS監(jiān)控界面

Ambari與CDH類似，它是Hortonworks公司（與Cloudera公司已合并）開源。它的擴(kuò)展性要比較好，另外，它的信息可以從機(jī)器、組件、集群等不同維度展現(xiàn)，接近運(yùn)維工程師使用習(xí)慣。

圖2 Ambari提供的HDFS監(jiān)控界面

如果使用CDH，或者Ambari進(jìn)行HDFS監(jiān)控，也存在實(shí)際問題：

• 對(duì)應(yīng)的Hadoop及相關(guān)組件版本不能自定義

• 不能很好的滿足大規(guī)模HDFS集群實(shí)際監(jiān)控需求

其他工具，如Jmxtrans目前還不能很好適配Hadoop，因此，實(shí)際的監(jiān)控方案選型為：

• 采集：HadoopExporter，Hadoop HTTP API（說明：HDFS主要調(diào)用http://{domain}:{port}/jmx）

• 日志：通過ELK來收集、分析

• 存儲(chǔ)：Prometheus

• 展現(xiàn)：Grafana，HDFS UI，Hue

• 告警：對(duì)接京東云告警系統(tǒng)

主要指標(biāo)概覽

表1 HDFS主要監(jiān)控指標(biāo)概覽

黑盒監(jiān)控指標(biāo)

基本功能

文件整個(gè)生命周期中，是否存在功能異常，主要監(jiān)控創(chuàng)建、查看、修改、刪除動(dòng)作。

• 查看時(shí)，需校對(duì)內(nèi)容，有一種方式，可以在文件中寫入時(shí)間戳，查看時(shí)校對(duì)時(shí)間戳，這樣，可以根據(jù)時(shí)間差來判斷是否寫超時(shí)

• 切記保證生命周期完整，否則，大量監(jiān)控產(chǎn)生的臨時(shí)文件可能導(dǎo)致HDFS集群垮掉

白盒監(jiān)控指標(biāo)

錯(cuò)誤

Block丟失數(shù)量

采集項(xiàng)：MissingBlocks

如果出現(xiàn)塊丟失，則意味著文件已經(jīng)損壞，所以需要在塊丟失前，提前預(yù)判可能出現(xiàn)Block丟失風(fēng)險(xiǎn)（通過監(jiān)控UnderReplicatedBlocks來判斷）。

不可用數(shù)據(jù)節(jié)點(diǎn)占比

采集項(xiàng)：

在BlockPlacementPolicyDefault.java中的isGoodTarget定義了選取Datanode節(jié)點(diǎn)策略，其中有兩項(xiàng)是“節(jié)點(diǎn)是否在下線”、“是否有足夠存儲(chǔ)空間”，如果不可用數(shù)量過多，則可能導(dǎo)致選擇不到健康的Datanode，因此，必須保證一定數(shù)量的健康Datanode。

圖4 選取可用Datanode時(shí)部分判斷條件

錯(cuò)誤日志關(guān)鍵字監(jiān)控

部分常見錯(cuò)誤監(jiān)控（主要監(jiān)控Exception/ERROR），對(duì)應(yīng)關(guān)鍵字：

IOException、NoRouteToHostException、SafeModeException、UnknownHostException。

未復(fù)制Block數(shù)

采集項(xiàng)：UnderReplicatedBlocks

UnderReplicatedBlocks在數(shù)據(jù)節(jié)點(diǎn)下線、數(shù)據(jù)節(jié)點(diǎn)故障等均會(huì)產(chǎn)生大量正在同步的塊數(shù)。

FGC監(jiān)控

采集項(xiàng)：FGC

讀寫成功率

采集項(xiàng)：

monitor_write.status/monitor_read.status

根據(jù)Block實(shí)際讀寫流量匯聚計(jì)算，是對(duì)外SLA指標(biāo)的重要依據(jù)。

數(shù)據(jù)盤故障

采集項(xiàng)：NumFailedVolumes

如果一個(gè)集群有1000臺(tái)主機(jī)，每臺(tái)主機(jī)是12塊盤（一般存儲(chǔ)型機(jī)器標(biāo)準(zhǔn)配置），那么這將會(huì)是1萬2000塊數(shù)據(jù)盤，按照機(jī)械盤平均季度故障率1.65%（數(shù)據(jù)存儲(chǔ)服務(wù)商Backblaze統(tǒng)計(jì)）計(jì)算，平均每個(gè)月故障7塊盤。若集群規(guī)模再擴(kuò)大，那么運(yùn)維工程師將耗費(fèi)很大精力在故障盤處理與服務(wù)恢復(fù)上。很顯然，一套自動(dòng)化的數(shù)據(jù)盤故障檢測、自動(dòng)報(bào)修、服務(wù)自動(dòng)恢復(fù)機(jī)制成為剛需。

除故障盤監(jiān)控外，故障數(shù)據(jù)盤要有全局性解決方案。在實(shí)踐中，以場景為維度，通過自助化的方式來實(shí)現(xiàn)對(duì)此問題處理。

圖5 基于場景實(shí)現(xiàn)的Jenkins自助化任務(wù)

流量

Block讀、寫次數(shù)

采集項(xiàng)：

采集Datanode數(shù)據(jù)進(jìn)行匯聚計(jì)算。

網(wǎng)絡(luò)進(jìn)出流量

采集項(xiàng)：

node_network_receive_bytes_total/ node_network_transmit_bytes_total

沒有直接可以使用的現(xiàn)成數(shù)據(jù)，需要通過ReceivedBytes（接收字節(jié)總量）、SentBytes（發(fā)送字節(jié)總量）來計(jì)算。

磁盤I/O

采集項(xiàng)：node_disk_written_bytes_total/ node_disk_read_bytes_total

延遲

RPC處理平均時(shí)間

采集項(xiàng)：RpcQueueTimeAvgTime

采集RpcQueueTimeAvgTime（RPC處理平均時(shí)間）、SyncsAvgTime（Journalnode同步耗時(shí)）。

慢節(jié)點(diǎn)數(shù)量

采集項(xiàng)：SlowPeerReports

慢節(jié)點(diǎn)主要特征是，落到該節(jié)點(diǎn)上的讀、寫較平均值差距較大，但給他足夠時(shí)間，仍然能返回正確結(jié)果。通常導(dǎo)致慢節(jié)點(diǎn)出現(xiàn)的原因除機(jī)器硬件、網(wǎng)絡(luò)外，對(duì)應(yīng)節(jié)點(diǎn)上的負(fù)載較大是另一個(gè)主要原因。實(shí)際監(jiān)控中，除監(jiān)控節(jié)點(diǎn)上的讀寫耗時(shí)外，節(jié)點(diǎn)上的負(fù)載也需要重點(diǎn)監(jiān)控。

根據(jù)實(shí)際需要，可以靈活調(diào)整Datanode匯報(bào)時(shí)間，或者開啟“陳舊節(jié)點(diǎn)”（Stale Node）檢測，以便Namenode準(zhǔn)確識(shí)別故障實(shí)例。涉及部分配置項(xiàng)：

• dfs.namenode.heartbeat.recheck-interval

• dfs.heartbeat.interval

• dfs.namenode.avoid.read.stale.datanode

• dfs.namenode.avoid.write.stale.datanode

• dfs.namenode.stale.datanode.interval

容量

集群總空間、空間使用率

采集項(xiàng)：PercentUsed

HDFS UI花費(fèi)了很大篇幅來展現(xiàn)存儲(chǔ)空間相關(guān)指標(biāo)，足以說明它的重要性。

空間使用率計(jì)算包含了處于“下線中”節(jié)點(diǎn)空間，這是一個(gè)陷阱。如果有節(jié)點(diǎn)處于下線狀態(tài)，但它們代表的空間仍計(jì)算在總空間，如果下線節(jié)點(diǎn)過多，存在這樣“怪象”：集群剩余空間很多，但已無空間可寫。

此外，在Datanode空間規(guī)劃時(shí)，要預(yù)留一部分空間。HDFS預(yù)留空間有可能是其他程序使用，也有可能是文件刪除后，但一直被引用，如果“Non DFS Used”一直增大，則需要追查具體原因并優(yōu)化，可以通過如下參數(shù)來設(shè)置預(yù)留空間：

• dfs.datanode.du.reserved.calculator

• dfs.datanode.du.reserved

• dfs.datanode.du.reserved.pct

作為HDFS運(yùn)維開發(fā)人員，需清楚此公式：Configured Capacity = Total Disk Space - Reserved Space = Remaining Space + DFS Used + Non DFS Used。

Namenode堆內(nèi)存使用率

采集項(xiàng)：

HeapMemoryUsage.used/HeapMemoryUsage.committed

如果將此指標(biāo)作為HDFS核心指標(biāo)，也是不為過的。元數(shù)據(jù)和Block映射關(guān)系占據(jù)了Namenode大部分堆內(nèi)存，這也是HDFS不適合存儲(chǔ)大量小文件的原因之一。堆內(nèi)存使用過大，可能會(huì)出現(xiàn)Namenode啟動(dòng)慢，潛在FGC風(fēng)險(xiǎn)，因此，堆內(nèi)存使用情況需重點(diǎn)監(jiān)控。

實(shí)際中，堆內(nèi)存使用率增加，不可避免，給出有效的幾個(gè)方案：

• 調(diào)整堆內(nèi)存分配

• 建立文件生命周期管理機(jī)制，及時(shí)清理部分無用文件

• 小文件合并

• 使用HDFS Federation橫向擴(kuò)展

盡管這些措施可以在很長時(shí)間內(nèi)，有效降低風(fēng)險(xiǎn)，但提前規(guī)劃好集群也是很有必要。

數(shù)據(jù)均衡度

采集項(xiàng)：

HDFS而言，數(shù)據(jù)存儲(chǔ)均衡度，一定程度上決定了它的安全性。實(shí)際中，根據(jù)各存儲(chǔ)實(shí)例的空間使用率，來計(jì)算這組數(shù)據(jù)的標(biāo)準(zhǔn)差，用以反饋各實(shí)例之間的數(shù)據(jù)均衡程度。數(shù)據(jù)較大情況下，如果進(jìn)行數(shù)據(jù)均衡則會(huì)比較耗時(shí)，盡管通過調(diào)整并發(fā)度、速度也很難快速的完成數(shù)據(jù)均衡。針對(duì)這種情況，可以嘗試優(yōu)先下線空間已耗盡的實(shí)例，之后再擴(kuò)容的方式來實(shí)現(xiàn)均衡的目的。還有一點(diǎn)需注意，在3.0版本之前，數(shù)據(jù)均衡只能是節(jié)點(diǎn)之間的均衡，不能實(shí)現(xiàn)節(jié)點(diǎn)內(nèi)部不同數(shù)據(jù)盤的均衡。

RPC請求隊(duì)列的長度

采集項(xiàng)：CallQueueLength（RPC請求隊(duì)列長度）。

文件數(shù)量

采集項(xiàng)：FilesTotal

與堆內(nèi)存使用率配合使用。每個(gè)文件系統(tǒng)對(duì)象（包括文件、目錄、Block數(shù)量）至少占有150字節(jié)堆內(nèi)存，根據(jù)此，可以粗略預(yù)估出一個(gè)Namenode可以保存多少文件。根據(jù)文件與塊數(shù)量之間的關(guān)系，也可以對(duì)塊大小做一定優(yōu)化。

下線實(shí)例數(shù)

采集項(xiàng)：NumDecommissioningDataNodes

HDFS集群規(guī)模較大時(shí)，實(shí)時(shí)掌握健康實(shí)例說，定期修復(fù)故障節(jié)點(diǎn)并及時(shí)上線，可以為公司節(jié)省一定成本。

其他

除上述主要指標(biāo)外，服務(wù)器、進(jìn)程JVM、依賴服務(wù)（Zookeeper、DNS）等通用監(jiān)控策略也需添加。

Grafana儀表盤展現(xiàn)：主要用于服務(wù)巡檢、故障定位（說明：Grafana官方提供的HDFS監(jiān)控模板，數(shù)據(jù)指標(biāo)相對(duì)較少）

圖6 HDFS部分集群Grafana儀表盤

ELK-Hadoop：主要用于全局日志檢索，以及錯(cuò)誤日志關(guān)鍵字監(jiān)控

圖7 ES中搜索HDFS集群日志

圖8 日志服務(wù)搜索HDFS集群日志

Hue、HDFS UI：主要用于HDFS問題排查與日常維護(hù)

案例1

DNS產(chǎn)生臟數(shù)據(jù)，導(dǎo)致Namenode HA故障

發(fā)現(xiàn)方式：功能監(jiān)控、SLA指標(biāo)異常

故障原因：DNS服務(wù)器產(chǎn)生臟數(shù)據(jù)，致使Namenode主機(jī)名出錯(cuò)，在HA切換時(shí)，因找到錯(cuò)誤主機(jī)而失敗

優(yōu)化建議：DNS作為最基礎(chǔ)服務(wù)，務(wù)必保證其數(shù)據(jù)正確與穩(wěn)定，在一定規(guī)模情況下，切忌使用修改/etc/hosts方式來解決主機(jī)名問題，如果沒有高可用的內(nèi)部DNS服務(wù)，建議使用DNSMasq來搭建一套DNS服務(wù)器

案例2

機(jī)架分組不合理，導(dǎo)致HDFS無法寫入

發(fā)現(xiàn)方式：功能監(jiān)控寫異常偶發(fā)性告警

故障原因：HDFS開啟機(jī)架感知，不同分組機(jī)器資源分配不合理，部分分組存儲(chǔ)資源耗盡，在選擇Datanode時(shí)，找不到可用節(jié)點(diǎn)

優(yōu)化建議：合理分配各機(jī)架上的實(shí)例數(shù)量，并分組進(jìn)行監(jiān)控。在規(guī)模較小情況下，可用考慮關(guān)閉機(jī)架感知功能