知識庫 / DevOps RSS 訂閱

例如，我們可以記錄一個可能持續數秒的應用程序事件：

SimpleMeterRegistry registry = new SimpleMeterRegistry();
Timer timer = registry.timer("app.event");
timer.record(() -> {
    try {
        TimeUnit.MILLISECONDS.sleep(15);
    } catch (InterruptedException ignored) {
    }
    });

timer.record(30, TimeUnit.MILLISECONDS);

assertTrue(2 == timer.count());
assertThat(timer.totalTime(TimeUnit.MILLISECONDS)).isBetween(40.0, 55.0);

為了記錄長時間運行的事件，我們使用 <a href="https://github.com/micrometer-metrics/micrometer/blob/master/micrometer-core/src/main/java/io/micrometer/core/instrument/LongTaskTimer.java#L26"><em>LongTaskTimer</em></a>：

SimpleMeterRegistry registry = new SimpleMeterRegistry();
LongTaskTimer longTaskTimer = LongTaskTimer
  .builder("3rdPartyService")
  .register(registry);

LongTaskTimer.Sample currentTaskId = longTaskTimer.start();
try {
    TimeUnit.MILLISECONDS.sleep(2);
} catch (InterruptedException ignored) { }
long timeElapsed = currentTaskId.stop();
 
 assertEquals(2L, timeElapsed/((int) 1e6),1L);

4.4. 儀表盤（Gauge）

儀表盤（Gauge）顯示當前讀數。

與其它儀表不同，儀表盤（Gauges） 僅在被觀察時才報告數據。 儀表盤（Gauges） 在監控緩存或集合的統計信息時非常有用：

SimpleMeterRegistry registry = new SimpleMeterRegistry();
List<String> list = new ArrayList<>(4);

Gauge gauge = Gauge
  .builder("cache.size", list, List::size)
  .register(registry);

assertTrue(gauge.value() == 0.0);
 
list.add("1");
 
assertTrue(gauge.value() == 1.0);

4.5. 分佈統計摘要 (DistributionSummary)

事件的分佈以及簡單的摘要信息由 DistributionSummary 提供。

SimpleMeterRegistry registry = new SimpleMeterRegistry();
DistributionSummary distributionSummary = DistributionSummary
  .builder("request.size")
  .baseUnit("bytes")
  .register(registry);

distributionSummary.record(3);
distributionSummary.record(4);
distributionSummary.record(5);

assertTrue(3 == distributionSummary.count());
assertTrue(12 == distributionSummary.totalAmount());

此外，DistributionSummary 和 Timers 還可以通過百分位數進行增強：

SimpleMeterRegistry registry = new SimpleMeterRegistry();
Timer timer = Timer
  .builder("test.timer")
  .publishPercentiles(0.3, 0.5, 0.95)
  .publishPercentileHistogram()
  .register(registry);

現在，在上面的片段中，將有三個儀表，其標籤分別為 percentile=0.3、percentile=0.5, 和 percentile=0.95，在註冊表中可用，指示 95%、50% 和 30% 的觀測值低於以下值，分別對應。

為了觀察這些百分位數在實際應用中的效果，我們添加一些記錄：

timer.record(2, TimeUnit.SECONDS);
timer.record(2, TimeUnit.SECONDS);
timer.record(3, TimeUnit.SECONDS);
timer.record(4, TimeUnit.SECONDS);
timer.record(8, TimeUnit.SECONDS);
timer.record(13, TimeUnit.SECONDS);

然後我們可以通過從這三個分位點 Gauges 中提取值來驗證：

Map<Double, Double> actualMicrometer = new TreeMap<>();
ValueAtPercentile[] percentiles = timer.takeSnapshot().percentileValues();
for (ValueAtPercentile percentile : percentiles) {
    actualMicrometer.put(percentile.percentile(), percentile.value(TimeUnit.MILLISECONDS));
}

Map<Double, Double> expectedMicrometer = new TreeMap<>();
expectedMicrometer.put(0.3, 1946.157056);
expectedMicrometer.put(0.5, 3019.89888);
expectedMicrometer.put(0.95, 13354.663936);

assertEquals(expectedMicrometer, actualMicrometer);

此外，Micrometer 還支持 服務級別目標（直方圖）：

DistributionSummary hist = DistributionSummary
  .builder("summary")
  .serviceLevelObjectives(1, 10, 5)
  .register(registry);

類似於分位數，在追加了若干條記錄後，我們可以看到直方圖能夠很好地處理計算：

Map<Integer, Double> actualMicrometer = new TreeMap<>();
HistogramSnapshot snapshot = hist.takeSnapshot();
Arrays.stream(snapshot.histogramCounts()).forEach(p -> {
  actualMicrometer.put((Integer.valueOf((int) p.bucket())), p.count());
});

Map<Integer, Double> expectedMicrometer = new TreeMap<>();
expectedMicrometer.put(1,0D);
expectedMicrometer.put(10,2D);
expectedMicrometer.put(5,1D);

assertEquals(expectedMicrometer, actualMicrometer);

通常，直方圖可以幫助直觀地比較不同分組的數據。此外，直方圖還可以進行時間縮放，這對於分析後端服務響應時間非常有用：

Duration[] durations = {Duration.ofMillis(25), Duration.ofMillis(300), Duration.ofMillis(600)};
Timer timer = Timer
  .builder("timer")
  .sla(durations)
  .publishPercentileHistogram()
  .register(registry);

5. Binders

Micrometer 具有多個內置的 binder，用於監控 JVM、緩存、ExecutorService 和日誌服務。

在 JVM 和系統監控方面，我們可以監控類加載器指標 (ClassLoaderMetrics)， JVM 內存池 (JvmMemoryMetrics) 和 GC 指標 (JvmGcMetrics)，以及線程和 CPU 利用率 (JvmThreadMetrics，ProcessorMetrics)。

緩存監控（目前僅支持 Guava、EhCache、Hazelcast 和 Caffeine）通過使用 GuavaCacheMetrics、EhCache2Metrics、HazelcastCacheMetrics 和 CaffeineCacheMetrics 進行實現。

要監控 Logback 服務，可以將 LogbackMetrics 綁定到任何有效的註冊表：

new LogbackMetrics().bind(registry);

上述引線的使用與 LogbackMetrics 極為相似，都相當簡單，因此此處不再贅述細節。

6. Spring Integration

Spring Boot Actuator 提供 Micrometer 的依賴管理和自動配置。 它已支持 Spring Boot 2.0/1.x 和 Spring Framework 5.0/4.x。

我們需要以下依賴項（最新版本可以在 這裏找到）：

<dependency>
    <groupId>io.micrometer</groupId>
    <artifactId>micrometer-spring-legacy</artifactId>
    <version>1.3.20</version>
</dependency>

在不修改現有代碼的情況下，我們已啓用 Spring 支持，我們的 Spring 應用程序的 Micrometer JVM 內存指標將自動註冊到全局註冊表中併發布到默認的 atlas 端點：http://localhost:7101/api/v1/publish。

有多種可配置的屬性可用於控制指標導出行為，從 spring.metrics.atlas.* 開始。請參閲 AtlasConfig 以查看 Atlas 發佈的所有配置屬性。

如果需要綁定更多的指標，只需將它們作為 @Bean 添加到應用程序上下文。

例如，如果我們需要使用 JvmThreadMetrics：

@Bean
JvmThreadMetrics threadMetrics(){
    return new JvmThreadMetrics();
}

關於Web監控，它針對應用程序中的每個端點進行了自動配置，但可以通過配置屬性 spring.metrics.web.autoTimeServerRequests 進行管理。

默認實現為端點提供了四維度的指標：HTTP請求方法、HTTP響應碼、端點URI和異常信息。

當請求被響應時，與請求方法（GET，POST等）相關的指標將發佈到Atlas。

通過 Atlas Graph API，我們可以生成圖表來比較不同方法的響應時間：

默認情況下，20x、30x、40x、50x響應碼也會被報告：

我們還可以比較不同的URI：

或者檢查異常指標：