Kubernetes已經(jīng)成為容器編排的事實上的王者，連Docker都已經(jīng)向K8s女王大人低頭。對于Kubernetes的cluster的數(shù)據(jù)收集和監(jiān)控已經(jīng)成為IT運維的一個重要話題。我們今天來看一看如何利用Splunk最新的Metrics Store來對Kubernetes的集群進行性能監(jiān)控。

部署架構

下圖是該方案的部署架構，主要包括：

利用Heapster收集K8s的性能數(shù)據(jù)，包含CPU，Memory，Network，F(xiàn)ile System等

利用Heapster的Statsd Sink，發(fā)送數(shù)據(jù)到Splunk的Metrics Store

利用Splunk的搜索命令和儀表盤功能對性能數(shù)據(jù)進行監(jiān)控

前期準備

前期主要要準備好兩件事：

編譯最新的Heapster的鏡像，并上傳到某個公共的Docker鏡像倉庫，例如docker hub

在Splunk中配置Metrics Store和對應的網(wǎng)絡輸入（Network Input UDP／TCP）

這里主要要做的選擇是Statsd的傳輸協(xié)議用UDP還是TCP。這里我推薦使用TCP。 最新的Heapster代碼支持不同的Backend，包含了log, influxdb, stackdriver, gcp monitoring, gcp logging, statsd, hawkular-metrics, wavefront, openTSDB, kafka, riemann, elasticsearch等等。因為Splunk的Metrics Store支持statsd協(xié)議，所以可以很容易的和Heapster集成。

首先我們需要利用最新的heapster代碼，編譯一個容器鏡像，因為docker hub上的heapsterd的官方鏡像的版本比較舊，并不支持statsd。所以需要自己編譯。

mkdir myheapstermkdir myheapster/srcexport GOPATH=myheapstercd myheapster/srcgit clone https://github.com/kubernetes/heapster.gitcd heapstermake container

運行以上的命令來編譯最新的heapster鏡像。

注意，heapster缺省使用udp協(xié)議，如果想要使用tcp，需要修改代碼

https://github.com/kubernetes/heapster/blob/master/metrics/sinks/statsd/statsd_client.go

func (client *statsdClientImpl) open() error { var err error client.conn, err = net.Dial("udp", client.host) if err != nil { glog.Errorf("Failed to open statsd client connection : %v", err) } else { glog.V(2).Infof("statsd client connection opened : %+v", client.conn) } return err}

把udp改成tcp。

我在docker hub上放了兩個鏡像，分別對應udp版本的tcp版本，大家可以直接使用

naughtytao/heapster-amd64:v1.5.0-beta.3 udp

naughtytao/heapster-amd64:v1.5.0-beta.4 tcp

然后需要在Splunk中配置Metrics Store，參考這個文檔

安裝配置Heapster

在K8s上部署heapster比較容易，創(chuàng)建對應的yaml配置文件，然后用kubectl命令行創(chuàng)建就好了。

以下是Deployment和Service的配置文件：

deployment.yaml

apiVersion: extensions/v1beta1kind: Deploymentmetadata: name: heapster namespace: kube-systemspec: replicas: 1 template: metadata: labels: task: monitoring k8s-app: heapster version: v6 spec: containers: - name: heapster image: naughtytao/heapster-amd64:v1.5.0-beta.3 imagePullPolicy: Always command: - /heapster - --source=kubernetes:https://kubernetes.default - --sink=statsd:udp://ip:port?numMetricsPerMsg=1

service.yaml

apiVersion: v1kind: Servicemetadata: labels: task: monitoring # For use as a Cluster add-on (https://github.com/kubernetes/kubernetes/tree/master/cluster/addons) # If you are NOT using this as an addon, you should comment out this line. kubernetes.io/cluster-service: 'true' kubernetes.io/name: Heapster name: heapster namespace: kube-systemspec: ports: - port: 80 targetPort: 8082 selector: k8s-app: heapster

注意這里deployment的--sink的配置，ip是Splunk的IP或者主機名，port的對應的Splunk的data input的端口號。當使用udp協(xié)議的時候，需要配置的numMetricsPerMsg的值比較小，當這個值比較大的時候，會出message too long的error。當使用tcp的時候可以配置較大的數(shù)值。

運行 kubectl apply -f *.yaml 來部署heapster

如果正常運行，對應的heapster pod的日志如下

I0117 18:10:56.054746 1 heapster.go:78] /heapster --source=kubernetes:https://kubernetes.default --sink=statsd:udp://ec2-34-203-25-154.compute-1.amazonaws.com:8124?numMetricsPerMsg=10I0117 18:10:56.054776 1 heapster.go:79] Heapster version v1.5.0-beta.4I0117 18:10:56.054963 1 configs.go:61] Using Kubernetes client with master "https://kubernetes.default" and version v1I0117 18:10:56.054978 1 configs.go:62] Using kubelet port 10255I0117 18:10:56.076200 1 driver.go:104] statsd metrics sink using configuration : {host:ec2-34-203-25-154.compute-1.amazonaws.com:8124 prefix: numMetricsPerMsg:10 protocolType:etsystatsd renameLabels:map[] allowedLabels:map[] customizeLabel:0x15fc8c0}I0117 18:10:56.076248 1 driver.go:104] statsd metrics sink using configuration : {host:ec2-34-203-25-154.compute-1.amazonaws.com:8124 prefix: numMetricsPerMsg:10 protocolType:etsystatsd renameLabels:map[] allowedLabels:map[] customizeLabel:0x15fc8c0}I0117 18:10:56.076272 1 heapster.go:202] Starting with StatsD SinkI0117 18:10:56.076281 1 heapster.go:202] Starting with Metric SinkI0117 18:10:56.090229 1 heapster.go:112] Starting heapster on port 8082

在Splunk中進行監(jiān)控

好了如果一切正常的化，heapster會用statsd的協(xié)議和格式發(fā)送metrics到Splunk的metrics store。

然后就可以用利用SPL的mstats和mcatalog命令來分析，監(jiān)控metrics數(shù)據(jù)了。

以下搜索語句列出所有的Metrics

| mcatalog values(metric_name)

以下搜索語句列出整個cluster的CPU使用，我們可以用Area或者Line Chart來可視化搜索結果。

| mstats avg(_value) WHERE metric_name=cluster.cpu/usage_rate span=30m

kube-system namespace的對應內存使用情況

| mstats avg(_value) WHERE metric_name=namespace.kube-system.memory/usage span=30m

大家可以把自己感興趣的分析結果放在Dashboard中，利用Realtime設置進行監(jiān)控。

好了，更多的分析選項可以參考Splunk文檔。