【运维 监控】Grafana + Prometheus,监控Linux

安装和配置Grafana与Prometheus需要一些步骤,下面是一个简单的指南:

安装 Prometheus:

  1. 使用包管理器安装 Prometheus。在 Debian/Ubuntu 上,可以使用以下命令:

    sudo apt-get update
    sudo apt-get install prometheus
    

    在 Red Hat/CentOS 上,可以使用:

    sudo yum install prometheus
    
  2. 编辑 Prometheus 配置文件,通常位于 /etc/prometheus/prometheus.yml。添加你想要监控的目标,例如:

    scrape_configs:- job_name: 'linux'static_configs:- targets: ['localhost:9100']  # 添加要监控的服务器地址
    
  3. 启动 Prometheus 服务:

    sudo systemctl start prometheus
    sudo systemctl enable prometheus  # 开机自启
    

安装 Grafana:

  1. Download and install the Grafana APT GPG key:

    sudo wget -q -O - https://packages.grafana.com/gpg.key | sudo apt-key add -
    
  2. Add the Grafana APT repository to the APT sources:

    sudo add-apt-repository "deb https://packages.grafana.com/oss/deb stable main"
    
  3. 使用包管理器安装 Grafana。在 Debian/Ubuntu 上,可以使用以下命令:

    sudo apt-get install grafana
    

    在 Red Hat/CentOS 上,可以使用:

    sudo yum install grafana
    
  4. 启动 Grafana 服务:

    sudo systemctl start grafana-server
    sudo systemctl enable grafana-server  # 开机自启
    

配置 Grafana:

  1. 打开浏览器并访问 http://localhost:3000,使用默认的用户名和密码登录(默认用户名:admin,密码:admin)。

  2. 在登录后,按照提示修改密码。

  3. 在左侧导航栏,点击 “+” 号,选择 “Add your first data source”。选择 Prometheus,并配置 Prometheus 地址(默认为 http://localhost:9090)。

  4. 保存并测试数据源。

创建 Grafana 仪表盘:

  1. 在左侧导航栏,点击 “+” 号,选择 “Dashboard” -> “Add new panel”。

  2. 在 “Query” 选项卡中,选择数据源为 Prometheus,在 “Metrics” 字段中输入 Prometheus 查询语句。

  3. 配置图表和其他显示选项。

  4. 点击 “Apply” 保存仪表盘。

现在,你应该能够在 Grafana 中看到你的仪表盘,并实时监视 Prometheus 中收集的指标数据。你可以根据需要添加更多的仪表盘和指标。请注意,这只是一个简单的入门步骤,Grafana 和 Prometheus 都有强大的功能,你可以根据具体需求进行更深入的配置和定制。

举例

在Grafana中使用Prometheus数据源时,你可以使用PromQL(Prometheus查询语言)来检索CPU使用率的指标。CPU使用率通常是通过查看node_cpu_seconds_total指标来实现的。以下是一些步骤,可以帮助你在Grafana中创建一个显示CPU使用率的仪表盘:

  1. 添加数据源

    • 在Grafana中,导航到左侧的“配置”(Configuration) -> “数据源”(Data Sources)。
    • 添加你的Prometheus数据源。
  2. 创建仪表盘

    • 导航到左侧的“+”号,选择“Dashboard” -> “Add new panel”。
  3. 选择数据源

    • 在“Query”选项卡中,选择你的Prometheus数据源。
  4. 编写PromQL查询

    • 在“Metrics”字段中,你可以输入PromQL查询来检索CPU使用率的指标。例如,以下是一个查询,它返回每个CPU核心的使用率:

      100 - (avg(irate(node_cpu_seconds_total{mode="idle"}[5m])) * 100)
      

      这个查询计算了每个CPU核心的空闲时间,并计算出使用率。

  5. 配置图表和显示选项

    • 根据你的需求配置图表和其他显示选项,例如标题、坐标轴标签等。
  6. 保存仪表盘

    • 点击“Apply”以保存你的仪表盘。

请注意,具体的PromQL查询可能会有所不同,这取决于你的系统和导出的指标。你可以使用Prometheus的内置Web界面(通常在http://localhost:9090)来探索可用的指标和构建查询。在Prometheus的Web界面中,你可以使用“Graph”选项卡,然后在“Metrics”字段中输入你感兴趣的指标,以查看可用的数据。

在这里插入图片描述

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/145424.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

思维导图软件 Xmind mac中文版特点介绍

XMind 2022 mac是一款思维导图软件,可以帮助用户创建各种类型的思维导图和概念图。 XMind mac软件特点 - 多样化的导图类型:XMind提供了多种类型的导图,如鱼骨图、树形图、机构图等,可以满足不同用户的需求。 - 强大的功能和工具&…

Linux中的进程等待(超详细)

Linux中的进程等待 1. 进程等待必要性2. 进程等待的方法2.1 wait方法2.2 waitpid方法 3. 获取子进程status4. 具体代码实现 1. 进程等待必要性 我们知道,子进程退出,父进程如果不管不顾,就可能造成‘僵尸进程’的问题,进而造成内…

sqli-labs(Less-4) extractvalue闯关

extractvalue() - Xpath类型函数 1. 确认注入点如何闭合的方式 2. 爆出当前数据库的库名 http://127.0.0.1/sqlilabs/Less-4/?id1") and extractvalue(1,concat(~,(select database()))) --3. 爆出当前数据库的表名 http://127.0.0.1/sqlilabs/Less-4/?id1") …

蓝桥杯 vector

vector的定义和特性 注意&#xff1a;vector需要开C11标准 vector的常用函数 push_back():将元素添加到vector末尾 pop_back():删除vector末尾的元素 begin()和end():返回指向vector第一个元素和最后一个元素之后一个位置的迭代器。 示例 vector<int> vec{10,20,30};f…

CentOS to 浪潮信息 KeyarchOS 迁移体验与优化建议

浪潮信息KeyarchOS简介 KeyarchOS即云峦操作系统(简称KOS), 是浪潮信息研发的一款面向政企、金融等企业级用户的 Linux 服务器操作系统。它基于Linux内核、龙蜥等开源技术&#xff0c;支持x86、ARM 等主流架构处理器&#xff0c;其稳定性、安全性、兼容性和性能等核心能力均已…

JVM虚拟机:垃圾回收器ZGC和Shenandoah算法

随着计算机技术的不断发展,内存管理成为了一个重要的话题。垃圾回收是一种自动内存管理技术,它可以自动地回收不再使用的内存,从而减少内存泄漏和程序崩溃的风险。在Java等高级编程语言中,垃圾回收器是必不可少的组件。近年来,ZGC和Shenandoah算法作为新一代的垃圾回收器,…

Python武器库开发-flask篇之URL重定向(二十三)

flask篇之URL重定向(二十三) 通过url_for()函数构造动态的URL&#xff1a; 我们在flask之中不仅仅是可以匹配静态的URL&#xff0c;还可以通过url_for()这个函数构造动态的URL from flask import Flask from flask import url_forapp Flask(__name__)app.route(/) def inde…

《硅基物语.AI写作高手:从零开始用ChatGPT学会写作》《从零开始读懂相对论》

文章目录 《硅基物语.AI写作高手&#xff1a;从零开始用ChatGPT学会写作》内容简介核心精华使用ChatGPT可以高效搞定写作的好处如下 《从零开始读懂相对论》内容简介关键点书摘最后 《硅基物语.AI写作高手&#xff1a;从零开始用ChatGPT学会写作》 内容简介 本书从写作与ChatG…

最新AI创作系统ChatGPT系统运营源码/支持最新GPT-4-Turbo模型/支持DALL-E3文生图

一、AI创作系统 SparkAi创作系统是基于OpenAI很火的ChatGPT进行开发的Ai智能问答系统和Midjourney绘画系统&#xff0c;支持OpenAI-GPT全模型国内AI全模型。本期针对源码系统整体测试下来非常完美&#xff0c;可以说SparkAi是目前国内一款的ChatGPT对接OpenAI软件系统。那么如…

R语言爬虫程序自动爬取图片并下载

R语言本身并不适合用来爬取数据&#xff0c;它更适合进行统计分析和数据可视化。而Python的requests&#xff0c;BeautifulSoup&#xff0c;Scrapy等库则更适合用来爬取网页数据。如果你想要在R中获取网页内容&#xff0c;你可以使用rvest包。 以下是一个简单的使用rvest包爬取…

promise时效架构升级方案的实施及落地 | 京东物流技术团队

一、项目背景 为什么需要架构升级 promise时效包含两个子系统&#xff1a;内核时效计算系统&#xff08;系统核心是时效计算&#xff09;和组件化时效系统&#xff08;系统核心是复杂业务处理以及多种时效业务聚合&#xff0c;承接结算下单黄金流程流量&#xff09;&#xff…

CNN(卷积神经网络)、RNN(循环神经网络)、DNN(深度神经网络)的内部网络结构有什么区别?

【导师不教&#xff1f;我来教&#xff01;】同济计算机博士半小时就教会了我五大深度神经网络&#xff0c;CNN/RNN/GAN/transformer/LSTM一次学会&#xff0c;简直不要太强&#xff01;_哔哩哔哩_bilibili了解的五大神经网络&#xff0c;整理笔记如下&#xff1a; 视频是唐宇…

【第2章 Node.js基础】2.7 Node.js 的流(一) 可读流

&#x1f308; Node.js 的流 &#x1f680;什么是流 流不是 Node.js 特有的概念。它们是几十年前在 Unix 操作系统中引入的。 我们可以把流看作这些数据的集合&#xff0c;就像液体一样&#xff0c;我们先把这些液体保存在一个容器里&#xff08;流的内部缓冲区 BufferList&…

JS原生-弹框+阿里巴巴矢量图

效果&#xff1a; 代码&#xff1a; <!DOCTYPE html> <html lang"en"><head><meta charset"UTF-8"><meta http-equiv"X-UA-Compatible" content"IEedge"><meta name"viewport" content&q…

Java封装一个根据指定的字段来获取子集的工具类

工具类 ZhLambdaUtils SuppressWarnings("all") public class ZhLambdaUtils {/*** METHOD_NAME*/private static final String METHOD_NAME "writeReplace";/*** 获取到lambda参数的方法名称** param <T> parameter* param function functi…

excel导入 Easy Excel

依旧是框架感觉有东西&#xff0c;但是确实是模拟不出来&#xff0c;各种零零散散的件太多了 controller层 ApiOperation(value "导入Excel", notes "导入Excel", httpMethod "POST", response ExcelResponseDTO.class)ApiImplicitParams({…

(论文阅读32/100)Flowing convnets for human pose estimation in videos

32.文献阅读笔记 简介 题目 Flowing convnets for human pose estimation in videos 作者 Tomas Pfister, James Charles, and Andrew Zisserman, ICCV, 2015. 原文链接 https://arxiv.org/pdf/1506.02897.pdf 关键词 Human Pose Estimation in Videos 研究问题 视频…

leetcode刷题日志-58最后一个单词的长度

给你一个字符串 s&#xff0c;由若干单词组成&#xff0c;单词前后用一些空格字符隔开。返回字符串中 最后一个 单词的长度。 单词 是指仅由字母组成、不包含任何空格字符的最大子字符串。 示例 1&#xff1a; 输入&#xff1a;s “Hello World” 输出&#xff1a;5 解释&a…

11.16 知识总结(模型层更多内容)

一、 多表查询&#xff08;跨表查询&#xff09; <br class"Apple-interchange-newline"><div></div> 子查询&#xff1a;分步查询 链表查询&#xff1a;把多个有关系的表拼接成一个大表(虚拟表) inner join left join right join 1.1 基于双下划…

【2016年数据结构真题】

已知由n&#xff08;M>2&#xff09;个正整数构成的集合A{a<k<n},将其划分为两个不相交的子集A1 和A2&#xff0c;元素个数分别是n1和n2&#xff0c;A1和A2中的元素之和分别为S1和S2。设计一个尽可能高效的划分算法&#xff0c;满足|n1-n2|最小且|s1-s2|最大。要求…