K8s + Prometheus = 监控神器

kube-Prometheus安装和使用完全教程 kube-Prometheus是一个全面集成的Kubernetes集群监控解决方案,它将核心的Prometheus组件、Grafana可视化面板以及Prometheus规则等资源精心编排并集成为一个易于部署和管理的整体。该项目通过GitHub仓库提供了详尽的Kubernetes清单文件、Grafana仪表板配置和Prometheus规则,辅以详细的文档和脚本,使得在Kubernetes集群中利用Prometheus进行端到端的监控变得异常便捷高效。更进一步,kube-Prometheus不仅引入了Prome 阅读详情

点击上方“芋道源码”,选择“设为星标”

管她前浪,还是后浪?

能浪的浪,才是好浪!

每天 10:33 更新文章,每天掉亿点点头发...

源码精品专栏

 

来源:linshenkx.cn/archives/

kube-prometheus-bigdata


众所周知,大数据产品作为底层平台,其运维监控一直是生产实践的痛点难点,且在稳定运行的基础之上往往还需要对性能进行评估优化,所以其监控系统的建设显得尤为重要。

d26239ef3aa23c0055f14b27ba60bed5.png

Prometheus 作为云原生时代最火的监控软件,很多大数据组件或原生或以第三方插件/exporter 的形式对 Prometheus 做了支持。

我使用的大数据平台是基于 K8s 运行的,有部署灵活管理方便的优点,更容易与 Prometheus 进行结合。

下面将对设计思路和技术实现进行阐述探讨。

一、设计思路

监控系统的核心任务是将暴露出来的指标数据进行抓取,在此之上进行分析、告警,所以有以下几个要明确的问题:

  1. 监控对象是什么

  2. 监控对象如何暴露指标数据

  3. 监控系统如何对指标进行抓取

  4. 如何实现告警规则动态配置、管理

监控对象

以 pod(容器)形式运行在 kubernetes 集群上的各个大数据组件。

指标暴露方式

各组件根据对 Prometheus 的支持程度,可分为 3 种类型的指标暴露方式:

  1. 直接暴露 Prometheus 指标数据 (直接,拉)

  2. 主动将指标数据推送到 prometheus-pushGateway,由 pushGateway 暴露数据(间接,推)

  3. 自定义 exporter 将其他形式的指标数据转换为符合 Prometheus 标准的格式进行暴露(exporter,直接,拉)

个别组件同时支持多种方式,如 flink 支持直接和间接方式,spark 支持直接方式而且也有第三方 exporter。

大部分组件都有官方/第三方的 exporter,极少数需要自己开发。一般情况下直接方式就可以了。

需要注意的是,像 flink(spark) on yarn 模式运行的时候,flink 节点是跑在 yarn 容器里面的。

这种情况下 Prometheus 很难对其直接进行抓取,这种时候就只能用间接方式,主动将数据推送到 pushGateway。另外那些短暂生命周期的组件也建议用主动 push 到 pushGateway。

指标抓取方式

不管是 exporter 还是 pushGateway,到最后必然是由 Prometheus 主动对这些目标进行抓取。

Prometheus 主要通过 Pull 的方式来抓取目标服务暴露出来的监控接口, 因此需要配置对应的抓取任务来请求监控数据并写入到 Prometheus 提供的存储中,

目前 Prometheus 服务提供了如下几个任务的配置:

  • 原生 Job 配置: 提供 Prometheus 原生抓取 Job 的配置。

  • Pod Monitor: 在 K8S 生态下,基于 Prometheus Operator 来抓取 Pod 上对应的监控数据。

  • Service Monitor: 在 K8S 生态下,基于 Prometheus Operator 来抓取 Service 对应 Endpoints 上的监控数据。

  • 参考:https://cloud.tencent.com/document/product/1416/55995

既然都上了 K8s 环境了,一般当然是推荐直接用 podMonitor。配置更简洁易懂。

podMonitorSelector 的过滤在 prometheus-prometheus.yaml 配置。

prometheus-prometheus.yaml 是核心配置文件,不宜频繁修改(会导致 Prometheus 重启)。

主要配置项为 :serviceMonitorSelector、podMonitorSelector、ruleSelector、alertmanagers。

其中 service 监控选择器和 pod 监控选择器默认选择所有,这里建议把 ruleSelector 也修改为选择所有

不过一个 podMonitor 一般只对应一种类型的 pod,在已有 pod 类型较多的情况下,

还可以考虑一种更取巧的方法就是 Prometheus 的 K8s 服务发现功能。即 kubernetes_sd_config。

这种属于原生 Job 配置,建议使用 additional-scrape-config 进行配置。

kubernetes_sd_config 赋予了 Prometheus 通过 kubernetes rest api 感知 K8s 资源的功能,

利用该能力,可以使用原生 Job 配置自动发现 pod,将其作为监控目标。

再利用 Prometheus 的 Relabel 功能可以改写发现的标签,进行前置处理、转换。实现pod筛选,修改抓取配置的效果。

而自动发现的 pod 的标签的来源又可以是 pod 资源的 label/annotation等。

最终实现的效果如下,

这是一个 pushGateway 的 pod 的配置,则 Prometheus 会通过其 19091端口访问/metrics 路径获取其指标数据

annotations:
    prometheus.io/scrape: "true"
    prometheus.io/scheme: "http"
    prometheus.io/path: "/metrics"
    prometheus.io/port: "19091"

podMonitor 是官方支持,简洁易懂。kubernetes_sd_config+relabel 的方案较复杂,难度较高,但不用写那么多的 podMonitor。自行抉择就行,也可以一起用。

基于 Spring Boot + MyBatis Plus + Vue & Element 实现的后台管理系统 + 用户小程序,支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能

  • 项目地址:https://github.com/YunaiV/ruoyi-vue-pro

  • 视频教程:https://doc.iocoder.cn/video/

二、告警设计

告警流程

prometheus 的监控告警基本流程是:

  1. 服务发生异常

  2. 触发 prometheus 服务器发出告警信息(alert)

  3. alertmanager 收到告警信息

  4. alertmanager 根据预配置的规则对告警信息进行处理,实现业务逻辑,如分组、抑制、触发短信邮箱等

  5. 当然具体的流程没那么简单,有很多细节需要注意,特别是触发告警时机,是个重点。

告警的动态配置

kube-prometheus 的告警规则分两部分:

  1. alertmanager:即对告警信息的处理策略

  2. alertRule:即具体的告警规则

接入自定义告警平台

从个人实践的角度来看,AlertManager处理web hook之外的告警接收插件,如短信、邮箱等只适合测着玩。

生产使用还是要通过web hook将告警信息发送到自己的告警平台。可以根据业务需要对告警信息做高度定制化处理、记录等。

另外可以在告警信息中携带具体告警规则等信息指导告警平台进行处理。

这里要做个区分,AlertManager 是告警信息的前置处理,负责非业务性前置操作,如告警信息分组、平抑等。

而自定义告警平台则负责告警信息的业务处理,如记录、去敏、发送到多终端等。

AlertManager 可能收到 1w 条告警信息,经过处理最终只发了1条到自定义告警平台。

而自定义告警平台可以将这1条告警信息记录起来,修改内容,同时使用邮箱、短信通知到多个负责人。

告警层级标签设计

监控对象的粒度决定告警的层级,体现在配置上则是告警规则的分组。

分组信息决定 alertManager 的处理方式。

alertManager 对告警信息的路由策略是树状的,所以可通过多个分组标签实现多层级路由处理。

具体设计应结合业务需求,不在这里展开,感兴趣的可以看我下面的实现举例。

基于 Spring Cloud Alibaba + Gateway + Nacos + RocketMQ + Vue & Element 实现的后台管理系统 + 用户小程序,支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能

  • 项目地址:https://github.com/YunaiV/yudao-cloud

  • 视频教程:https://doc.iocoder.cn/video/

三、技术实现

技术实现主要分以下几部分:

  1. kubernetes 环境下 prometheus 的部署(kube-prometheus)

  2. kube-prometheus 的增强配置:即 kubernetes_sd_config+relabel 方案的实现

  3. bigdata-exporter 的实现

  4. 告警设计实例

1.Kubernetes 环境下 prometheus 的部署

1)kube-prometheus vs prometheus-operator

github 上 coreos 下有两个项目:kube-prometheus 和 prometheus-operator

两者都可以实现 prometheus 的创建及管理。

需要注意的是,kube-prometheus 上的配置操作也是基于 prometheus-operator 的,并提供了大量的默认配置,故这里使用的是 kube-prometheus 项目的配置。

另外使用前需注意 K8s 版本要求,找到对应的 kube-prometheus 版本,弄清楚对应的 prometheus-operator 版本

如:k8s1.14 版本最高可使用 kube-prometheus 0.3,对应的 prometheus-operator 版本是 0.32

阅读文档时注意对应版本。

2)kube-prometheus 使用前说明

kube-prometheus 使用 jsonnet 编写配置模板文件,生成 K8s 配置清单。

已提供默认清单文件,在 manifests 文件夹下。

如果需要修改默认清单配置,需要在 Go 环境下使用 jp 编译清单。

下面都以默认配置为例

2. kubernetes_sd_config+relabel 方案的实现

见:https://github.com/linshenkx/kube-prometheus-enhance

3. bigdata-exporter的实现

hdfs、yarn、hbase、yarn 等组件都提供了 web 获取 jmx 指标的方式。

这里的思路是使用一个 bigdata-exporter,去采集多个组件多个节点的指标数据,并进行转换,然后以 Prometheus 规定的格式对外公开。

指标数据的转换规则可以查看 github 上的一些项目,要注意版本,也可以像我一样自己写,更可靠。

bigdata-exporter 如何感知到采集目标?

除了部署 IP 不同,不同组件不同角色的指标对外端口、路径、内容(解析规则)也都不一样。

这里可以参考上面 kubernetes_sd_config+relabel 的方案,做得优雅一些:

  1. 授予 bigdata-exporter 调用kubernetes app的能力,

  2. 利用 label 和 annotations 进行筛选和信息传递,确定捕捉目标和途径。

  3. 使用 role 代表解析内容的类型,根据 role 确定解析规则

labels:
    bigData.metrics.object: pod
  annotations:
    bigData.metrics/scrape: "true"
    bigData.metrics/scheme: "https"
    bigData.metrics/path: "/jmx"
    bigData.metrics/port: "29871"
    bigData.metrics/role: "hdfs-nn,common"
4.告警设计示例

这里以组和实例两个维度为例,用 groupId 和 instanceId 表示。

1) alertManager配置示例

以下是 alertmanager 的规则配置,有两个接收者:其中 test.web.hook 指向自定义告警平台,default 是空白接收者,不做处理。

路由策略是根据 groupId,instanceId 分组,对节点磁盘使用率、kafka队列堆积两个组处理,instanceId还没有展开。

旧版本是用 secret 的 data 字段,需要将配置内容转成 base64 编码格式。新版本直接用 stringData 字段。推荐用 stringData 字段配置。

其实只要看一下 kube-prometheus 的 alertmanager-secret.yaml 文件就知道怎么回事了。

使用data字段的配置方法:

写好 config 文件,以 alertmanager.yaml 命名(不能使用其他名称)。

执行以下命令,即可更新 secret。

kubectl -n monitoring create secret generic alertmanager-main --from-file=alertmanager.yaml --dry-run -o yaml  |  kubectl -n=monitoring apply -f -
global:
    resolve_timeout: 5m
receivers:
  - name: 'default'
  - name: 'test.web.hook'
    webhook_configs:
      - url: 'http://alert-url'
route:
  receiver: 'default'
  group_wait: 30s
  group_interval: 5m
  repeat_interval: 2h
  group_by: [groupId,instanceId]
  routes:
    - receiver: 'test.web.hook'
      continue: true
      match:
        groupId: node-disk-usage
    - receiver: 'test.web.hook'
      continue: true
      match:
        groupId: kafka-topic-highstore

2)alertRule配置示例

组代表一个类型的所有目标:即所有节点

实例则代表具体的某个节点

disk-usage.yaml.ftl磁盘使用率告警配置示例如下:

注意: $为监控的磁盘路径,$为使用率阈值,需自行替换

labels 中的 userIds 和 receivers 为传递给自定义告警平台的参数,以指导告警平台如何操作。

在这个任务中,我们的目标是组粒度的(所有节点),所以不需要设置 instanceId。

apiVersion: monitoring.coreos.com/v1
kind: PrometheusRule
metadata:
   creationTimestamp: null
   labels:
      role: alert-rules
   name: node-disk-usage
   namespace: monitoring
spec:
   groups:
      - name: node-disk-usage
        rules:
           - alert: node-disk-usage
             expr: 100*(1-node_filesystem_avail_bytes{mountpoint="${path}"}/node_filesystem_size_bytes{mountpoint="${path}"} ) > ${thresholdValue}
             for: 1m
             labels:
                groupId: node-disk-usage
                userIds: super
                receivers: SMS
             annotations:
                title: "磁盘警告:节点{{$labels.instance}}的 ${path} 目录使用率已达到{{$value}}%"
                content: "磁盘警告:节点{{$labels.instance}}的 ${path} 目录使用率已达到{{$value}}%"

kafka-topic-highstore.yaml.ftl kafka 队列消费堆积告警配置示例如下:

我们只关心个别队列的消费情况,所以这里的粒度为 instance。

注意 :$为队列名,$为消费组名称,$为堆积数量阈值

apiVersion: monitoring.coreos.com/v1
kind: PrometheusRule
metadata:
  creationTimestamp: null
  labels:
    role: alert-rules
  name: kafka-topic-highstore-${uniqueName}
  namespace: monitoring
spec:
  groups:
    - name: kafka-topic-highstore
      rules:
      - alert: kafka-topic-highstore-${uniqueName}
        expr: sum(kafka_consumergroup_lag{exporterType="kafka",consumergroup="${consumergroup}"}) > ${thresholdValue}
        for: 1m
        labels:
          groupId: kafka-topic-highstore
          instanceId: ${uniqueName}
          userIds: super
          receivers: SMS
        annotations:
          title: "KAFKA警告:消费组${consumergroup}的堆积数量达到:{{$value}}"
          content: "KAFKA警告:消费组${consumergroup}的堆积数量达到:{{$value}}"

四、其他

告警流程示例

这里以两个节点 node1 和 node2 配置了磁盘空间监控为例,空间使用到达阈值则触发告警。

测试过程中可通过生成、删除指定体积的文件来控制空间占用

其中配置项如下:

  • 告警规则: node-disk-usage

    • for 为 1m

  • 告警中心 : alertManager

    • group_wait: 30s

    • group_interval: 5m

    • repeat_interval: 10m

收到的告警短信内容及时间线如下:

10:23:14 收到第一次警报:node1 于 10:22:44 进入异常
10:28:14 收到第二次警报:node1 于 10:22:44 进入异常 node2 于 10:24:44 进入异常
10:38:29 收到第三次警报:node1 于 10:22:44 进入异常 node2 于 10:24:44 进入异常
10:48:44 收到第四次警报:node1 于 10:22:44 进入异常 node2 于 10:24:44 进入异常
10:58:44 收到第五次警报:恢复告警 node1 于 10:22:44 进入异常,并于 10:55:44 恢复 node2 于 10:24:44 进入异常,并于 10:49:14 恢复

总共收到 5 次短信:

第 1 次是 node1 异常,

第 2 到 4 次是 node1 和 node2 都异常,因为属于同个分组 group,所以合并发送。

第 5 次是已经恢复正常了。

根据短信内容和时间,整理出告警逻辑时间线如下:

node1 等待 for 1 分钟 后警报进入 group
node1 记录异常时间为 10:22:44,实际异常状态至少在 10:22:44 的一分钟前

group 等待 group_wait 30s 后发送第一次告警
firing:node1

node2 等待 for 1 分钟 后警报进入 group
node2 记录异常时间为 10:24:44,实际异常状态至少在 10:24:44 的一分钟前,此时 group 中有两个异常目标 node1 和 node2。

group 等待 group_interval 5m 后发送第二次告警
firing:node1,node2
注意:因为 group 发生了变化,所以这里用的是 group_interval。

group 等待 repeat_interval 10m 后发送第三次告警
firing:node1,node2
注意:因为 group 没有变化,属于重复告警,用的是 repeat_interval。

group 等待 repeat_interval 10m 后发送第四次告警
firing:node1,node2
同上一次。

第四次告警后的 前 5 分钟:node2 恢复正常

第四次告警后的 后 5 分钟:node1 恢复正常

group 等待 repeat_interval 10m 后发送第五次告警
resolved:node1,node2
注意,这里 node1,node2 都恢复正常用的也是 repeat_interval。

综上:

  • for 是告警规则个体的监控配置,用来衡量服务多久检测不通过才算异常。

  • group_wait :初次发送告警的等待时间 用于 group 创建后的等待,这个值通常设置较小,在几分钟以内。

  • group_interval :同一个组其他新发生的告警发送时间间隔 是 group 内容发生变化后的告警间隔。

  • repeat_interval :重复发送同一个告警的时间间隔 group 内容没有变化且上一次发生成功时用的发生间隔。

需要注意,恢复正常不属于 group 变化,用的是 repeat_interval。这有点反直觉,且个人认为不是很合理,不知道是不是测试有问题,也没有找到比较好的资料说明。希望知道的可以指教一下。

exporter 的位置

exporter 可以以 sidecar 的形式和原容器放在同一个 pod 内(1 对 1),也可以以独立部署的形式存在(1 对 1/1 对多)。

这个视具体情况而定,技术上没什么不同,sidecar 可以绑定生命周期,视为对原有组件的补充。独立部署则耦合度更低,更灵活。像单节点的 mysql,用 sidecar 则只需要 1 个 pod,不会太复杂。

而如果像多节点的 kafka 集群,用独立部署则只需要一个 exporter 就可以实现对多个节点的采集监控。

这里出于减小耦合、节省资源的目的,我主要使用的是独立部署形式。

使用 promtool 检查指标格式是否正确

promtool 使用方法:

# 进入pod
$ kubectl -n=monitoring exec -it prometheus-k8s-0  sh
# 查看帮助
$ promtool -h
# 检查指标格式
$ curl -s http://ip:9999/metrics | promtool check metrics

比方说 指标 name、labelname 不能使用小数点

使用 port-forward 临时提供 Prometheus 外部访问

# prometheus
$ nohup  kubectl port-forward --address 0.0.0.0 service/prometheus-k8s 19090:9090 -n=monitoring &
# grafana
$ nohup kubectl port-forward --address 0.0.0.0 service/grafana 13000:3000 -n=monitoring &
# alertmanager
$ nohup  kubectl port-forward --address 0.0.0.0 service/alertmanager-main 9093:9093 -n=monitoring &

用 jobs -l 可以查看



欢迎加入我的知识星球,一起探讨架构,交流源码。加入方式,长按下方二维码噢:

0e338dc7ed4648c837a073d95ef4196a.png

已在知识星球更新源码解析如下:

e968f518fb24ab3c59b9e8d274d872f0.jpeg

976cc8f48e4a7223111b59d72947153f.jpeg

2474ae492fc66f03549831f5f143d25d.jpeg

de8d041be9421e049e3961cbf1d7192c.jpeg

最近更新《芋道 SpringBoot 2.X 入门》系列,已经 101 余篇,覆盖了 MyBatis、Redis、MongoDB、ES、分库分表、读写分离、SpringMVC、Webflux、权限、WebSocket、Dubbo、RabbitMQ、RocketMQ、Kafka、性能测试等等内容。

提供近 3W 行代码的 SpringBoot 示例,以及超 4W 行代码的电商微服务项目。

获取方式:点“在看”,关注公众号并回复 666 领取,更多内容陆续奉上。

文章有帮助的话,在看,转发吧。
谢谢支持哟 (*^__^*)
Kubernetes精讲之prometheus Prometheus是一个开源的服务监控系统和时序数据库其提供了通用的数据模型和快捷数据采集、存储和查询接口它的核心组件Prometheus服务器定期从静态配置的监控目标或者基于服务发现自动配置的目标中进行拉取数据新拉取到啊的 数据大于配置的内存缓存区时,数据就会持久化到存储设备当中。 阅读详情

相关推荐

Kube-Prometheus 部署

一、概述 kube-prometheus 是一整套监控解决方案,它使用 Prometheus 采集集群指标,Grafana 做展示,包含如下组件: The Prometheus Operator Highly available Prometheus Highly available Alertmanager Prometheus node-exporter Prometheus Adapter for Kubernetes Metrics APIs (k8s-prometheus-adapter) ku

qq_43164571的博客 6807

Kubernetes 和 Prometheus

资源监控系统是容器编排系统必不可少的组件,也是服务治理的核心之一。而本质上是一个开源的服务监控系统和时序数据库,是 CNCF 起家的第二个项目,目前已经成为 Kubernetes 生态圈中的监控系统的核心。Prometheus 的核心组件 Prometheus 服务器定期从静态配置的监控对象或基于服务发现自动配置的目标中拉取监控指标数据(Metrics),然后持久化到 TSDB 中。

RayPick的博客 3266

Kubernetes集群监控实战:Prometheus与Grafana的完美结合

本文详细介绍了如何在Kubernetes集群中部署和使用Prometheus与Grafana进行高效监控。通过实战案例展示了从基础部署到高级配置的全过程,包括核心组件解析、Helm快速部署、Grafana可视化配置以及性能优化技巧,帮助运维人员快速构建云原生监控体系。

weixin_29294395的博客 568

kube-prometheus 监控系统使用与总结

衆所周知,大数据産品作为底层平台,其运维监控一直是生産实践的痛点难点,且在稳定运行的基础之上,往往还需要对性能进行评估优化,所以其监控系统的建设显得尤为重要。Prometheus 作为云原生时代最火的监控软件,很多大数据组件或原生或以第三方插件 / exporter 的形式对 Prometheus 做了支持。我使用的大数据平台是基于 kubernetes 运行的,有部署灵活管理方便的优点,更容易与 Prometheus 进行结合。下面将对设计思路和技术实现进行阐述探讨。

因上努力,果上随缘。但行好事,莫问前程。 2544

433M遥控器无线解码1527协议

433M遥控器无线解码1527协议,定时器轮询法

weixin_58595117的博客 1万+

分子对接中的相互作用特征分析(目视筛查)

介绍分子对接的相互作用特征,以及如何通过这些特征进行目视筛查

recher_He1107的博客 5762

监控神器Prometheus用不对,也就是把新手村的剑

点击上方“朱小厮的博客”,选择“设为星标”后台回复"加群",加入新技术监控系统的历史悠久,是一个很成熟的方向,而 Prometheus 作为新生代的开源监控系统,慢慢成为...

朱小厮的博客 5263

生信入门(六)——单细胞分析(Seurat)

生信入门(六)——单细胞分析(Seurat) 文章目录生信入门(六)——单细胞分析(Seurat)一、数据导入1、数据来源2、数据导入二、标准预处理1、QC和选择细胞进行进一步分析2、规范化数据3、识别高度可变的特征(特征选择)4、缩放数据三、主成分分析(PCA)1、线性降维2、确定数据集的“维度”四、聚类细胞五、非线性降维(UMAP/tSNE)六、寻找差异表达的特征(簇生物标志物) 一、数据导入 1、数据来源 点击此处下载数据 数据说明:分析10X Genomics提供的外周血单细胞(PBMC)数据集,有

羊羊的博客 6万+

监控神器Prometheus

监控神器Prometheus 监控系统的历史悠久,是一个很成熟的方向,而 Prometheus 作为新生代的开源监控系统,慢慢成为了云原生体系的事实标准,也证明了其设计很受欢迎。 本文主要分享在 Prometheus 实践中遇到的一些问题和思考,如果你对 K8S 监控体系或 Prometheus 的设计还不太了解,可以先看下容器监控系列。 参考: http://www.xuyasong.com/?p=1921 知乎 https://dbaplus.cn/news-134-3106-1.ht.

会哭的雨@的博客 1万+

高速数字信号硬件设计:灵巧手方向核心技能与实战解析

在机器人产业加速演进的今天,灵巧手等高自由度末端执行器对硬件电路设计提出了更高要求。传统硬件工程师熟悉功能、功耗与EMC,而灵巧手设计还需在极小空间内融合多路电机驱动、高速数字接口与微弱模拟信号采集。信号完整性与电源完整性成为决定系统稳定性的关键:信号上升沿决定有效带宽,阻抗匹配、回流路径和去耦策略直接影响通信质量与抗干扰能力。从阻抗计算、等长设计到FPC布线,再到电源预算与纹波抑制,这些高速数字信号设计基础原理不仅适用于服务器主板,更是灵巧手控制器开发与调试的必修课。本文面向从事机器人硬件、嵌入式系统与电

weixin_29172963的博客 239

75、CAN总线收发器共模范围扩展与抗干扰芯片选型

摘要:本文探讨了CAN总线收发器共模范围扩展与抗干扰芯片选型的关键问题。作者通过风电场的实际案例,指出共模电压超标会导致总线故障甚至芯片损坏。文章分析了不同芯片(如SN65HVD1050、TJA1043等)的共模范围特性,并提供了电路设计建议,包括正确使用共模扼流圈和终端电阻。最后强调选型时要结合实际工况,在共模范围、功耗、速度和成本之间取得平衡,普通工业现场建议选择正负36V共模范围的芯片。

2401_88858637的博客 54

微服务监控神器Prometheus的安装部署

本文涉及:如何在k8s下搭建Prometheus+grafana的监控环境 基本概念 Prometheus提供了容器和云原生领域数据搜集、存储、处理、可视化和告警一套完整的解决方案,最初时是由SoundCloud公司开发的。自2012年开源以来社区成员就不断递增。如今的Prometheus已经发展到继Kubernetes后第2个正式加入CNCF基金会的项目 Prometheus的特点? ...

Java学习录 2184

【数据同化第二期】数据同化中三大理论基础之一(最小方差估计)

【数据同化第二期】深入理解数据同化及经典案例(最小方差估计)

WW、forever的博客 1598

Prometheus监控PG性能神器

Grafana是一个开源的度量分析和可视化工具,可以通过将采集的数据分析,查询,然后进行可视化的展示,并能实现报警。Grafana是一个可视化面板(Dashboard),有着非常漂亮的图表和布局展示,功能齐全的度量仪表盘和图形编辑器,支持Graphite、zabbix、InfluxDB、Prometheus等数据源。Prometheus server由三个部分组成,Retrieval,Storage,PromQL。Prometheus提供了从指标暴露,到指标抓取、存储和可视化,以及最后的监控告警等组件。

qq_39788924的博客 1271

华为OD机试双机位C卷-热点网站统计 (Py/Java/C/C++/Js/Go)

华为OD机试双机位C卷 热点网站统计,提供C语言、Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解。 华为od机考真题 - 热点网站统计。

qq_45776114的博客 780

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

Prometheus监控神器-Kubernetes篇(一)

在Kubernetes中手动部署Statefulset类型的Prometheus、Alertmanager集群,并使用StorageClass来持久化数据。 本篇使用StorageClass来持久化数据,搭建Statefulset的Prometheus联邦集群,对于数据持久化,方案众多,如Thanos、M3DB、InfluxDB、VictorMetric等,根据自己的需求​进行选择,后面会详细讲解针对数据持久化的具体细节。 部署一个对外可以访问的Prometheus,首先要创建Prometheus所在的.

青牛踏雪御苍穹的博客 748

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

深入浅出Prometheus监控神器

导语 | Prometheus是一个开源的完整监控解决方案,本文将从指标抓取到查询及可视化展示,以及最后的监控告警,对Prometheus做一个基本的认识。一、简介Prometheus是古希腊神话里泰坦族的一名神明,名字的意思是“先见之明”,下图中是Prometheus被宙斯惩罚,饱受肝脏日食夜长之苦。下面就是我们CRUD Boy所了解的Prometheus,下面是其官网封面图引导语:From metrics to insight,从指标到洞察力,通过指标去洞察你的系统,为我们的系统提供指标收集和监控的开源

JineD的博客 2646

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

新一代监控神器Prometheus+Grafana介绍及使用

监控/Prometheus/Grafana

零度的博客专栏 6138

监控神器 Prometheus 难道只有你还不会用?

监控神器普罗米修斯Prometheus安装配置 前言一、监控1.什么是监控?2.监控的意义:3.监控的工具: prometheus(1) 官方网址(2) prometheus 介绍:二、prometheus1.什么是prometheus?2.如何安装和配置?(2种方法)(1) 使用容器来安装(最简单也是最方便,推荐)(2) 源码安装(在单独的一台服务器上安装prometheus)1.解压源码包*2.启动prometheus*3.查看进程4.访问:3.prometheus 的专业术语有哪些?4.prom..

qq_45737042的博客 1582

Prometheus监控神器-Kubernetes篇(三)

在Kubernetes中手动方式部署Prometheus联邦。 当我们有多个Kubernetes集群的时候,这个时候就需要需要指标汇总的需求了,如上图一样,我们假定在外部部署一个Prometheus的Federate,然后去采集当前k8s中的kube-system与default俩个 namespace。 环境 我的本地环境使用的 sealos 一键部署,主要是为了便于测试。 OS Kubernetes HostName IP Service Ubuntu 18.04 1.17.7 s.

青牛踏雪御苍穹的博客 528
上一篇: 微服务循环依赖调用引发的血案
下一篇: 用这4招 优雅的实现Spring Boot 异步线程间数据传递
公众号-芋道源码
博客等级 码龄10年 1637粉丝 377原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值