ContextQMD
Back to Rustfs

RustFS 可观测性技术栈

.docker/observability/README_ZH.md

1.0.0-rc.19.1 KB
Original Source

RustFS 可观测性技术栈

本目录包含 RustFS 的全面可观测性技术栈，旨在提供对应用程序性能、日志和追踪的深入洞察。

组件

该技术栈由以下一流的开源组件组成：

  • Prometheus (v2.53.1): 行业标准的指标收集和告警工具。
  • Grafana (v11.1.0): 领先的可观测性可视化平台。
  • Loki (v3.1.0): 水平可扩展、高可用、多租户的日志聚合系统。
  • Tempo (v2.5.0): 高吞吐量、最小依赖的分布式追踪后端。
  • Jaeger (v1.59.0): 分布式追踪系统（配置为辅助 UI/存储）。
  • OpenTelemetry Collector (v0.104.0): 接收、处理和导出遥测数据的供应商无关实现。

默认情况下，这套技术栈使用 Tempo 单二进制模式，不依赖 Kafka/Redpanda。 如果需要基于 Kafka 的 HA Tempo 路径，请使用 docker-compose-example-for-rustfs.yml 配合 docker-compose-tempo-ha-override.yml。

架构

  1. 遥测收集: 应用程序将 OTLP (OpenTelemetry Protocol) 数据（指标、日志、追踪）发送到 OpenTelemetry Collector。
  2. 处理与导出: Collector 处理数据（批处理、内存限制）并将其导出到相应的后端：
    • 追踪 -> Tempo (主要) & Jaeger (辅助/可选)
    • 指标 -> Prometheus (通过抓取 Collector 的导出器)
    • 日志 -> Loki
  3. 可视化: Grafana 连接到所有后端（Prometheus, Tempo, Loki, Jaeger），提供统一的仪表盘体验。

特性

  • 完全持久化: 所有数据（指标、日志、追踪）都持久化到 Docker 卷，确保重启后无数据丢失。
  • 关联性: 在 Grafana 中实现指标、日志和追踪之间的无缝导航。
    • 从指标峰值跳转到相关追踪。
    • 从追踪跳转到相关日志。
  • 高性能: 针对批处理、压缩和内存管理进行了优化配置。
  • 标准化协议: 完全基于 OpenTelemetry 标准构建。

GET 性能优化仪表盘

包含三个预构建的 Grafana 仪表盘，用于监控 RustFS GET 性能优化发布：

可用仪表盘

仪表盘文件描述
GET 发布健康度grafana-get-rollout-health.json监控优化发布：按 reader path 的延迟、early-stop 命中率、codec streaming 使用率、pipeline 失败率
GET 数据完整性grafana-get-data-integrity.json监控数据安全：bitrot 校验失败、decode 错误、short read、shard 读取结果
GET 资源影响grafana-get-resource-impact.json监控资源使用：并发请求数、IO 队列利用率、disk permit 等待、RSS 趋势
对象数据缓存grafana-object-data-cache.json监控 GET body 缓存（rustfs_object_data_cache_*）：命中率、查找/规划/填充结果、填充耗时分位、命中 vs 填充吞吐、条目数/加权字节、在途填充、内存压力拒绝、失效、按尺寸档拆分

Prometheus 告警规则

文件 prometheus-rules/rustfs-get-optimization-alerts.yaml 包含预配置的告警规则：

告警级别条件
GetP99Regression严重GET p99 延迟 > 2x 基线，持续 10 分钟
PipelineFailureSpike严重Pipeline 失败率 > 5x 基线，持续 5 分钟
BitrotMismatchSpike严重Bitrot 不匹配率 > 3x 基线，持续 5 分钟
EarlyStopInsufficientQuorum警告Early-stop quorum 不足率 > 0.1/s，持续 5 分钟
CodecStreamingFallbackSpike警告Codec streaming 回退 > 10x 基线，持续 10 分钟
IoQueueSaturation警告IO 队列利用率 > 90%，持续 5 分钟

文件 prometheus-rules/rustfs-kms-alerts.yml 包含 KMS 后端操作指标的告警规则。阈值为保守默认值，待 staging 基线校准；响应流程见 docs/operations/kms-observability-runbook.md，配套仪表盘为 deploy/observability/grafana/rustfs-kms-observability.json。

告警级别条件
KmsBackendFatalErrors严重fatal（不可重试）尝试失败 > 0，持续 5 分钟
KmsBackendHighErrorRate严重非 success 操作占比 > 5%，持续 10 分钟（含流量下限保护）
KmsBackendP99LatencyHigh警告操作 p99 耗时（含重试）> 2s，持续 10 分钟
KmsBackendAttemptFailureSpike警告尝试失败率 > 0.5/s，持续 10 分钟
KmsBackendRetryBudgetExhausted警告budget_exhausted / deadline_exceeded 结果 > 0.05/s，持续 10 分钟

启用告警规则

在 Prometheus 配置中添加告警规则文件：

yaml
# prometheus.yml
rule_files:
  - "/etc/prometheus/rules/*.yml"

# 或在 docker-compose.yml 中挂载文件：
# volumes:
#   - ./prometheus-rules:/etc/prometheus/rules

仪表盘使用

仪表盘在 Grafana 启动时自动预置。它们使用 ${DS_PROMETHEUS} 数据源变量，因此需要在 Grafana 中配置 Prometheus 数据源。

优化发布期间需要关注的关键面板：

  1. GET 延迟按 Reader Path - 对比 codec_streaming vs legacy_duplex 延迟
  2. Early-Stop 命中率 - 验证 early-stop 是否有效触发
  3. Pipeline 失败率 - 检测优化引入的新故障模式
  4. Bitrot 校验失败 - 确保数据完整性

快速开始

前置条件

  • Docker
  • Docker Compose

部署

运行以下命令启动整个技术栈：

bash
docker compose up -d

Tempo 高可用模式

默认的 docker-compose.yml 对应单机栈。 如果需要基于 Kafka 的 HA Tempo 配置，请使用：

bash
docker compose -f docker-compose-example-for-rustfs.yml -f docker-compose-tempo-ha-override.yml up -d

访问仪表盘

服务URL凭据描述
Grafanahttp://localhost:3000admin / admin主要可视化中心。
Prometheushttp://localhost:9090-指标查询和状态。
Jaeger UIhttp://localhost:16686-辅助追踪可视化。
Tempohttp://localhost:3200-Tempo 状态/指标。

配置

数据持久化

数据存储在以下 Docker 卷中：

  • prometheus-data: Prometheus 指标
  • tempo-data: Tempo 追踪 (WAL 和 Blocks)
  • loki-data: Loki 日志 (Chunks 和 Rules)
  • jaeger-data: Jaeger 追踪 (Badger DB)

要清除所有数据：

bash
docker compose down -v

自定义

  • Prometheus: 编辑 prometheus.yml 以添加抓取目标或告警规则。
  • Grafana: 仪表盘和数据源从 grafana/ 目录预置。
  • Collector: 编辑 otel-collector-config.yaml 以修改管道、处理器或导出器。

验证 RustFS Trace

当 RustFS 将 RUSTFS_OBS_ENDPOINT 指向这套技术栈时，应将该值视为 OTLP/HTTP 的基础 URL，例如：

bash
export RUSTFS_OBS_ENDPOINT=http://host.docker.internal:4318

RustFS 会自动在该基础 URL 后补全：

  • /v1/traces
  • /v1/metrics
  • /v1/logs

需要注意：

  • 启动阶段通常会先看到日志和指标，因此“先有日志/指标、后有 trace”是正常现象。
  • OpenTelemetry bridge 会把 tracing 字段作为日志 attributes 发送。Loki 会将这些 attributes 存为 structured metadata，同时 Collector 会把常用排障字段镜像进日志行，方便用简单的行内容过滤直接查到。
  • 可见的 trace 数据通常依赖启动后的真实 HTTP/S3/gRPC 请求流量，因为请求路径上的 span 是按需创建的。
  • RUSTFS_OBS_LOGGER_LEVEL=info 会保留顶层请求 span，但会过滤掉很多 debug 级别的嵌套 span。 如果 Tempo 或 Jaeger 中的 trace 看起来很稀疏，建议先改成 RUSTFS_OBS_LOGGER_LEVEL=debug，再判断是否是 collector 或 Tempo 问题。

最小验证流程：

bash
# 1. 启动本目录下的可观测性技术栈。
docker compose up -d

# 2. 以 OTLP/HTTP 导出方式启动 RustFS，并提高 span 可见性。
export RUSTFS_OBS_ENDPOINT=http://host.docker.internal:4318
export RUSTFS_OBS_LOGGER_LEVEL=debug

# 3. 产生真实请求流量。
curl -I http://127.0.0.1:9000/health
curl -I http://127.0.0.1:9000/health/ready

# 4. 到 Grafana 或 Jaeger 中检查。
# Grafana: http://localhost:3000
# Jaeger:  http://localhost:16686

对于 RustFS 结构化日志，例如节点间 RPC 鉴权失败，Loki 日志行现在会包含 event、component、subsystem、failure_reason、rpc_service、rpc_method、expected_audience 等字段。常用 LogQL 检查：

logql
{service_name="RustFS"} |= "RPC signature verification failed"
{service_name="RustFS"} |= "failure_reason="
{service_name="RustFS"} | failure_reason != ""

如果日志和指标已经正常，但 trace 仍然稀疏，最常见的原因通常是 “还没有真实请求流量”或“info 级别过滤了嵌套 span”，而不是 OTLP 路由失败。

故障排除

  • 服务健康: 使用 docker compose ps 检查服务健康状况。
  • 日志: 使用 docker compose logs -f <service_name> 查看特定服务的日志。
  • Otel Collector: 检查 http://localhost:13133 获取健康状态，检查 http://localhost:1888/debug/pprof/ 进行性能分析。