本文介绍导出工具 Exporter 的问题排查方案。 ## 常见日志错误排查方案 ### WARN: estimate request latency bigger than 'DataFreshIntervalSeconds' Exporter 在每次间隔时间内，**无法完成指标数据的拉取**。如果数据无法拉取完成，则在某些配置情况下，可能会**出现断点**。完整日志如下： ```Bash WARN: cost {} to finish collect all metric data for this interval with DataFreshIntervalSeconds={} total request count={}. you can adjust the configuration of exporter to eliminate this log. ``` 出现该错误表示采集时间过长，有可能会影响prometheus拉不到数据，解决方案请参见 [指标断点](https://www.volcengine.com/docs/6408/1220815#7c6c2f2b)。 ### Error: Could not find operation ListExporterMetrics for version 2018\-01\-01 Exporter功能处于公测阶段，暂时免费使用。如需使用该功能，请先开通按量计费，然后联系对应销售或售后人员进行开白。 ### Error: Request was rejected because the request speed of this openAPI is beyond the current flow control limit 配置的 QPS 超过了限制，解决方案请参见 [LimitQPSGetMetricData接口限流](https://www.volcengine.com/docs/6408/1220815#90d84d94)。 ## 指标异常排查方案 ### 自监控指标 1. 建议导入如下的 Exporter 自监控 grafana 模板（仅适用于 Exporter 1.0.18 及以上版本）。 :::warning 以下模板目前仅兼容 Grafana 7.0.0 及以上版本。 ::: 2. 调用`/metrics`接口可以获取到监控指标。 |指标名称 |指标tag |指标类型 |指标含义 | |---|---|---|---| |exporter_api_request_total |* action：请求服务端的接口。其中，查询指标数据的接口是GetMetricData。|counter |exporter请求服务端接口的累计次数 |\ | |* http_code：接口最终返回状态码。| | |\ | |* error_code：服务端返回的业务错误码。其中。限流错误码是AccountFlowLimitExceeded。| | |\ | |* retry_count：请求重试次数。 | | | |exporter_api_request_latency_ms_bucket|^^|histogram |exporter请求服务端接口延迟分布，单位ms |\ |exporter_api_request_latency_ms_count| | | |\ |exporter_api_request_latency_ms_sum | | | | |exporter_strategy_last_pull_request_count |无 |gauge |exporter上一轮次发起请求GetMetricData接口的次数 | |exporter_strategy_last_pull_latency_ms |无 |gauge |exporter上一轮次全部请求GetMetricData接口的总耗时 | |exporter_strategy_discard_request_counter |无 |counter |因数实例/指标数过多，导致请求积压被丢弃的请求总次数 | |exporter_meta_object_count |* namespace|gauge |产品实例数量 |\ | |* sub_namespace | | | |exporter_meta_metric_count |^^|gauge |产品的指标数量 | ### 指标断点指标断点，可以结合 Exporter 自监控 Grafana 面板排查。 * **限流排查**：观测如下面板429 AccountFlowLimitExceeded指标，解决方案请参见 [LimitQPSGetMetricData接口限流](https://www.volcengine.com/docs/6408/1220815#90d84d94)。 ![图片](https://p9-arcosite.byteimg.com/tos-cn-i-goo7wpa0wc/324d1f34cd554b7285fb9fe93fb637a1~tplv-goo7wpa0wc-image.image =747x) * **采集超时排查**：观测如下面板指标，这个指标代表每轮次（即数据的刷新周期，对应 DataFreshIntervalSeconds 配置自动，默认 60s）采集的总耗时。 ![图片](https://p9-arcosite.byteimg.com/tos-cn-i-goo7wpa0wc/e54c40583913489c808a67fca36e6d37~tplv-goo7wpa0wc-image.image =1012x) 如果该指标持续的大于配置的 DataFreshIntervalSeconds，默认 60s，将无法在一个轮次完成所有指标数据采集，最终会导致 prometheus 侧显示丢点，建议方案： * 如果您能接受指标的精度降低，可以调整 DataFreshIntervalSeconds 到更高的时间，设置为 120s 或者 300s，详情请参见 [LimitQPSGetMetricData接口限流](https://www.volcengine.com/docs/6408/1220815#90d84d94)。 * 适当的调大 LimitQPSGetMetricData 或者 DataConcurrency 参数，如果您不知道如何配置该参数，在 1.0.18\-rc1 及以上版本支持自适应限流，可以删除该字段配置，使用默认配置。 * 偶尔的抖动比如网络延迟，也有可能会造成偶尔的采集超时，错过了 prometheus 的采集周期。建议调大 prometheus 的采集频率，比如到 1/5 的 DataFreshIntervalSeconds。 ```YAML scrape_configs: - job_name: "exporter" scrape_interval: 5s static_configs: - targets: ["localhost:9898"] ``` ### 指标缺失或者无数据 1. 确认访问 exporter 的`:/metrics`接口是否正常。 2. 确认 prometheus 中的 Status 页面 Exporter 的实例是否正常，也可查询 prometheus 的 up 指标判断。 ![图片](https://p9-arcosite.byteimg.com/tos-cn-i-goo7wpa0wc/a42c063f1119404390b2b2bf7dfed680~tplv-goo7wpa0wc-image.image =800x) 3. 确认云监控页面上是否有此指标。 4. 通过日志和 debug 日志确认问题。 5. 如果是触发了限流，那么建议减少指标量。 6. 通过`/meta/metric`接口确认是否存在该指标。 7. 通过`/meta/object`接口，确认是否存在相关实例，没有实例的话则不会有指标。 1. 使用`/meta/metric`接口，获取指标的 Namespace 和 SubNamespace。 2. 查看`/meta/object`接口的响应，查看`Namespace/SubNamespace`是否有对应数据。例如以下响应，代表仅有 Namespace 为`VCM_RDS_MySQL`，SubNamespace 为`deploy_monitor`的指标存在监控实例。 ```JSON { "VCM_RDS_MySQL/deploy_monitor": [ { "Dimensions": [ { "Name": "ResourceID", "Value": "mysql-68781f23efcc" } ], "Instances": [ { "Name": "ResourceID", "Value": "mysql-68781f23efcc" } ] } ] } ``` ### 点间隔较大默认允许的指标延迟为 120s，一般不会出现问题。如果发现异常，可以将配置文件中的 DelaySeconds 适当调大。 ### 指标值对不上 * 校验 Exporter 导出数据的值和云监控页面是否一致时，需要对齐聚合粒度。 1. Exporter 的聚合粒度，可以通过 QueryPeroid 参数进行配置，默认为 30s。 2. 云监控页面的聚合粒度，和选择的时间范围有关。 * 时间范围选择 1 小时，那么聚合粒度默认为 30s。 * 时间范围选择 1 天，那么聚合粒度默认为 60s。因此，默认情况下 Exporter 的数据和云监控查询 1 小时的时间范围一般是一致的，和 1 天时间范围的数据有可能不一致。 * prometheus/grafana 查询中的 step/interval 参数也可能会影响最终的查询结果不一致，建议将其调整为与 exporter 的 DataFreshIntervalSeconds 参数保持一致。 * prometheus ![图片](https://p9-arcosite.byteimg.com/tos-cn-i-goo7wpa0wc/7f5c96efb25241439344b2d7d9dce9e9~tplv-goo7wpa0wc-image.image =700x) * grafana ![图片](https://p9-arcosite.byteimg.com/tos-cn-i-goo7wpa0wc/5fdae8d37b1543ada637bfba4a20066b~tplv-goo7wpa0wc-image.image =700x) ### 限流报错限流的报错可以通过 Exporter 的日志，或者通过导入上述 Exporter 的 Grafana 看板的自监控指标来发现。 #### LimitQPSGetMetricData 接口限流云监控接口 Quota 默认为 20QPS，Exporter 请求接口的限流由 QPS 参数`LimitQPSGetMetricData`及并发参数`DataConcurrency`控制，1.0.18\-rc1 及以上版本默认会根据请求的实例数量及指标数量自适应动态调整。 * 如果您的账号下仅部署一个 exporter 实例，建议直接将`LimitQPSGetMetricData`设置为账号的上限（默认账号上限为 20）。 * 如果您的账号下部署有多个 exporter 实例，建议删除`LimitQPSGetMetricData`和`DataConcurrency`配置参数，使用默认自适应限流方式。 * 1.0.18\-rc0 及以后版本，可以通过配置指标白名单采集方式，过滤掉不关注的指标，来降低 Exporter 请求云服务的 QPS，从而可以减少 Quota 的占用。详情请参见 [云产品指标查询](https://console.volcengine.com/cloud_monitor/docs)。通过配置来解决限流的问题的方式： * [配置指标白名单采集(1.0.18及以上版本)](https://www.volcengine.com/docs/6408/1220815#3e9e16a5) * [配置SubNamespace白名单采集(1.0.18及以上版本)](https://www.volcengine.com/docs/6408/1220815#c05a06b4) * [调大指标查询的batchsize大小](https://www.volcengine.com/docs/6408/1220815#65a7111e) * [调大数据刷新周期](https://www.volcengine.com/docs/6408/1220815#b6d09f7d) ##### 配置指标白名单采集(1.0.18及以上版本) 仅采集产品的部分指标，可通过配置 OnlyIncludeMetrics 字段，如下示例： ```YAML Region: cn-beijing Credentials: AccessKey: '{ak}' SecretKey: '{sk}' Products: - Namespace: VCM_ECS # 需要采集的产品 OnlyIncludeMetrics: # 仅采集的指标列表 Instance: # 指标的SubNamespace - CpuTotal # 具体的指标名称 - MemoryUsedUtilization # 具体的指标名称 - GpuUsedUtilization # 具体的指标名称 GPU: # 指标的SubNamespace - GpuUsedUtilization # 具体的指标名称 - GpuMemoryUsedSpace # 具体的指标名称 ``` ##### 配置SubNamespace白名单采集(1.0.18及以上版本) 仅采集产品的部分 SubNamespace 指标，通过 OnlyIncludeSubNamespaces 字段配置，示例： ```YAML Region: cn-beijing Credentials: AccessKey: '{ak}' SecretKey: '{sk}' Products: - Namespace: VCM_ECS # 需要采集的产品 OnlyIncludeSubNamespaces: # 仅采集的指标列表 - Instance # 指标的SubNamespace ``` ##### 调大指标查询的batchsize大小这个方式仅对您在某个地域产品实例数量比较大的场景（比如 \>10，甚至到 \>1000的场景有比较明显效果）。比如当使用默认 BatchInstanceCount=10 时，如果有 1000 个实例，那么每个指标会发送 1000/10=100 次请求，如果 BatchInstanceCount=50，那么只需要发送 1000/50=20 次请求，会降低 Quota 的占用，但是极端情况下可能会请求延迟上涨。 ```YAML Region: cn-beijing Credentials: AccessKey: '{ak}' SecretKey: '{sk}' BatchInstanceCount: 50 # 默认为10，最大50 Products: - Namespace: VCM_ECS # 需要采集的产品 ``` ##### 调大数据刷新周期如果您能接受降低数据的精度，录入由 1 分钟一个点，改为 2 分钟 1 个点，可以通过如下配置`DataFreshIntervalSeconds`参数。 ```YAML Region: cn-beijing Credentials: AccessKey: '{ak}' SecretKey: '{sk}' DataFreshIntervalSeconds: 120 # 数据刷新周期，默认60s Products: - Namespace: VCM_ECS # 需要采集的产品 ``` 需要同时降低 LimitQPSGetMetricData 或者删除 LimitQPSGetMetricData 参数配置使用自适应配置(1.0.18\-rc1 及以上版本支持)。 #### ListMonitorObjectsV2接口限流该接口用于获取云产品的实例列表，接口的默认 Quota 为 10，如果有多个 Exporter 实例，建议根据每个 Exporter 的产品数量比例来分摊这 10 个 QPS，并通过`LimitQPSMonitorObjectList`参数设置。`LimitQPSMonitorObjectList`偶尔的被限流，一般不影响指标的数据拉取，只会影响元数据更新的时效性（新购实例监控数据延迟）。