阿里技术架构内部总结：HDFS监控落地的思考
Hadoop分布式文件系统(HDFS)被设计成适合运行在通用硬件(commodity hardware)上的分布式文件系统。
HDFS能提供高吞吐量的数据访问，非常适合大规模数据集上的应用。在大数据生态圈中，HDFS是最重要的底层分布式文件系统，它的稳定性关乎整个生态系统的健康。
本文介绍了HDFS相关的重要监控指标，分享指标背后的思考。
一、HDFS监控挑战
HDFS是Hadoop生态的一部分，监控方案不仅需适用HDFS，其他组件如Yarn、Hbase、Hive等，也需适用
HDFS API提供的指标较多，部分指标没必要实时采集，但故障时需能快速获取到
Hadoop相关组件的日志，比较重要，如问题定位、审计等
监控方案不仅能满足监控本身，故障定位涉及指标也应覆盖
二、Hadoop监控方案
Hadoop监控数据采集是通过HTTP API，或者JMX。实际中，用到比较多的产品主要有：CDH、Ambari，此外，还有部分工具，如Jmxtrans、HadoopExporter(用于Prometheus)。
CDH是一款开源的集部署、监控、操作等于一体的Hadoop生态组件管理工具，也提供收费版(比免费版多提供数据备份恢复、故障定位等特性)。CDH提供的HDFS监控界面在体验上是非常优秀的，是对HDFS监控指标深入发掘之后的浓缩，比如HDFS容量、读写流量及耗时、Datanode磁盘刷新耗时等。
CDH提供的HDFS监控界面
Ambari与CDH类似，同样是开源工具，但它的扩展性要比较好，另外，它的信息可以从机器、组件、集群等不同维度展现，接近运维工程师使用习惯。
Ambari提供的HDFS监控界面
如果使用CDH，或者Ambari进行HDFS监控，也存在实际问题：
- 对应的Hadoop及相关组件版本不能自定义
- 不能很好的满足大规模HDFS集群实际监控需求
其他工具，如Jmxtrans目前还不能很好适配Hadoop，因此，实际的监控方案选型为：
- 采集：HadoopExporter，Hadoop HTTP API(说明：HDFS主要调用http://{domain}:{port}/jmx)
- 日志：通过ELK来收集、分析
- 存储：Prometheus
- 展现：Grafana，HDFS UI，Hue
- 告警：对接京东云告警系统
三、HDFS监控指标
1、主要指标概览
HDFS主要监控指标概览
2、黑盒监控指标
基本功能
文件整个生命周期中，是否存在功能异常，主要监控创建、查看、修改、删除动作。
查看时，需校对内容，有一种方式，可以在文件中写入时间戳，查看时校对时间戳，这样，可以根据时间差来判断是否写超时
切记保证生命周期完整，否则，大量监控产生的临时文件可能导致HDFS集群垮掉
3、白盒监控指标
1)错误
Block丢失数量
采集项：MissingBlocks
如果出现块丢失，则意味着文件已经损坏，所以需要在块丢失前，提前预判可能出现Block丢失风险(通过监控UnderReplicatedBlocks来判断)。
不可用数据节点占比
采集项：
在BlockPlacementPolicyDefault.java中的isGoodTarget定义了选取Datanode节点策略，其中有两项是“节点是否在下线”、“是否有足够存储空间”，如果不可用数量过多，则可能导致选择不到健康的Datanode，因此，必须保证一定数量的健康Datanode。
选取可用Datanode时部分判断条件
错误日志关键字监控
部分常见错误监控(主要监控Exception/ERROR)，对应关键字：
IOException、NoRouteToHostException、SafeModeException、UnknownHostException。
未复制Block数
采集项：UnderReplicatedBlocks
UnderReplicatedBlocks在数据节点下线、数据节点故障等均会产生大量正在同步的块数。
FGC监控
采集项：FGC
读写成功率
采集项：
monitor_write.status/monitor_read.status
根据Block实际读写流量汇聚计算，是对外SLA指标的重要依据。
数据盘故障
采集项：NumFailedVolumes
如果一个集群有1000台主机，每台主机是12块盘(一般存储型机器标准配置)，那么这将会是1万2000块数据盘，按照机械盘平均季度故障率1.65%(数据存储服务商Backblaze统计)计算，平均每个月故障7块盘。若集群规模再扩大，那么运维工程师将耗费很大精力在故障盘处理与服务恢复上。很显然，一套自动化的数据盘故障检测、自动报修、服务自动恢复机制成为刚需。
除故障盘监控外，故障数据盘要有全局性解决方案。在实践中，以场景为维度，通过自助化的方式来实现对此问题处理。
基于场景实现的Jenkins自助化任务
2)流量
Block读、写次数
采集项：
采集Datanode数据进行汇聚计算。
网络进出流量
采集项：node_network_receive_bytes_total/ node_network_transmit_bytes_total
没有直接可以使用的现成数据，需要通过ReceivedBytes(接收字节总量)、SentBytes(发送字节总量)来计算。
磁盘I/O
采集项：node_disk_written_bytes_total/ node_disk_read_bytes_total
3)延迟
RPC处理平均时间
采集项：RpcQueueTimeAvgTime
采集RpcQueueTimeAvgTime(RPC处理平均时间)、SyncsAvgTime(Journalnode同步耗时)。
慢节点数量
采集项：SlowPeerReports
慢节点主要特征是，落到该节点上的读、写较平均值差距较大，但给他足够时间，仍然能返回正确结果。通常导致慢节点出现的原因除机器硬件、网络外，对应节点上的负载较大是另一个主要原因。实际监控中，除监控节点上的读写耗时外，节点上的负载也需要重点监控。
根据实际需要，可以灵活调整Datanode汇报时间，或者开启“陈旧节点”(Stale Node)检测，以便Namenode准确识别故障实例。涉及部分配置项：
- 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
4)容量
集群总空间、空间使用率
采集项：PercentUsed
HDFS UI花费了很大篇幅来展现存储空间相关指标，足以说明它的重要性。
空间使用率计算包含了处于“下线中”节点空间，这是一个陷阱。如果有节点处于下线状态，但它们代表的空间仍计算在总空间，如果下线节点过多，存在这样“怪象”：集群剩余空间很多，但已无空间可写。
此外，在Datanode空间规划时，要预留一部分空间。HDFS预留空间有可能是其他程序使用，也有可能是文件删除后，但一直被引用，如果“Non DFS Used”一直增大，则需要追查具体原因并优化，可以通过如下参数来设置预留空间：
- dfs.datanode.du.reserved.calculator
- dfs.datanode.du.reserved
- dfs.datanode.du.reserved.pct
作为HDFS运维开发人员，需清楚此公式：Configured Capacity = Total Disk Space - Reserved Space = Remaining Space + DFS Used + Non DFS Used。
Namenode堆内存使用率
采集项：
HeapMemoryUsage.used/HeapMemoryUsage.committed
如果将此指标作为HDFS核心指标，也是不为过的。元数据和Block映射关系占据了Namenode大部分堆内存，这也是HDFS不适合存储大量小文件的原因之一。堆内存使用过大，可能会出现Namenode启动慢，潜在FGC风险，因此，堆内存使用情况需重点监控。
实际中，堆内存使用率增加，不可避免，给出有效的几个方案：
- 调整堆内存分配
- 建立文件生命周期管理机制，及时清理部分无用文件
- 小文件合并
- 使用HDFS Federation横向扩展
尽管这些措施可以在很长时间内，有效降低风险，但提前规划好集群也是很有必要。
数据均衡度
采集项：
HDFS而言，数据存储均衡度，一定程度上决定了它的安全性。实际中，根据各存储实例的空间使用率，来计算这组数据的标准差，用以反馈各实例之间的数据均衡程度。
数据较大情况下，如果进行数据均衡则会比较耗时，尽管通过调整并发度、速度也很难快速的完成数据均衡。针对这种情况，可以尝试优先下线空间已耗尽的实例，之后再扩容的方式来实现均衡的目的。
还有一点需注意，在3.0版本之前，数据均衡只能是节点之间的均衡，不能实现节点内部不同数据盘的均衡。
RPC请求队列的长度
采集项：CallQueueLength(RPC请求队列长度)。
文件数量
采集项：FilesTotal
与堆内存使用率配合使用。每个文件系统对象(包括文件、目录、Block数量)至少占有150字节堆内存，根据此，可以粗略预估出一个Namenode可以保存多少文件。根据文件与块数量之间的关系，也可以对块大小做一定优化。
下线实例数
采集项：NumDecommissioningDataNodes
HDFS集群规模较大时，实时掌握健康实例说，定期修复故障节点并及时上线，可以为公司节省一定成本。
5)其他
除上述主要指标外，服务器、进程JVM、依赖服务(Zookeeper、DNS)等通用监控策略也需添加。
四、HDFS监控落地
Grafana仪表盘展现：主要用于服务巡检、故障定位(说明：Grafana官方提供的HDFS监控模板，数据指标相对较少)。
HDFS部分集群Grafana仪表盘
ELK-Hadoop：主要用于全局日志检索，以及错误日志关键字监控。
ES中搜索HDFS集群日志
日志服务搜索HDFS集群日志
Hue、HDFS UI：主要用于HDFS问题排查与日常维护。
五、HDFS案例
案例1：
DNS产生脏数据，导致Namenode HA故障。
- 发现方式：功能监控、SLA指标异常
- 故障原因：DNS服务器产生脏数据，致使Namenode主机名出错，在HA切换时，因找到错误主机而失败
- 优化建议：DNS作为最基础服务，务必保证其数据正确与稳定，在一定规模情况下，切忌使用修改/etc/hosts方式来解决主机名问题，如果没有高可用的内部DNS服务，建议使用DNSMasq来搭建一套DNS服务器
案例2：
机架分组不合理，导致HDFS无法写入。
- 发现方式：功能监控写异常偶发性告警
- 故障原因：HDFS开启机架感知，不同分组机器资源分配不合理，部分分组存储资源耗尽，在选择Datanode时，找不到可用节点
- 优化建议：合理分配各机架上的实例数量，并分组进行监控。在规模较小情况下，可用考虑关闭机架感知功能
