快速入门

本快速入门旨在让用户快速了解AnyRobot基本使用流程，并以具体使用场景Linux 可观测性为例进行阐述，如何应用AnyRobot进行Linux系统问题排障。本文主要内容如下：

1.AnyRobot 基本使用流程

2.Linux可观测性-前期准备

3.Linux可观测性-系统排障

1.AnyRobot 基本使用流程/可观测性基本实现步骤/可观测性实施基本步骤/模板创建及使用

• 相关创建：字段模型、索引库、日志分组、数据字典、解析规则、指标模型、告警规则、仪表盘、全景图
• 对象导入：将所创建的相关对象，导入AnyRobot系统
• 数据采集：根据所需要观测的场景进行相关数据采集
• 观测模型使用：应用仪表盘、全景图进行排障

说明：如果直接应用已有相关模板，例如：指标模型，全景图，仪表盘等，可以省略相关创建过程。

2.Linux可观测性-前期准备

Linux可观测性通过实时监控和可视化图表展示Linux系统的关键指标和性能数据，帮助管理员和开发人员全面了解系统的运行状况，快速定位问题和瓶颈，优化性能并提高系统的可靠性和可扩展性。它提供直观的界面，集中显示CPU、内存、磁盘、网络等指标的实时情况。通过这些功能，管理员可以迅速识别系统中的异常和瓶颈，优化资源利用和性能表现，及时采取措施以确保系统的稳定运行。

说明：在此不再赘述相关创建的详细过程，具体说明请见此用户指导各创建章节。此示例中，相关创建已完毕。

• 导入字段模型：进入AnyRobot数据管理>数据存储>字段模型页面，点击【导入】按钮，导入对应的system_metric_dee字段模型，具体可参考下图：

• 创建索引库：进入AnyRobot数据管理>数据存储>索引库页面，点击【新建】按钮，按照以下配置新建system_metric_dee索引库，如下所示：

• 导入日志分组：进入AnyRobot数据管理>日志分组管理页面，点击【导入】按钮，导入对应的日志分组，具体可参考下图：

• 导入数据字典：进入AnyRobot 数据管理>数据源>数据字典页面，点击【导入】按钮，导入对应“Linux应用名映射”数据字典，如下图所示：

• 创建数据库连接：进入AnyRobot 数据管理>远程采集>数据库连接页面，点击【新建】按钮，按照以下配置新建“公共字段字典表”数据库连接，如下图所示：

  

  说明：AnyRobot的数据库相关配置信息，请联系系统管理员获取。
• 导入解析规则：进入AnyRobot 数据管理>数据存储>解析规则页面，点击【导入】按钮，导入对应的解析规则，在导入后找到并点击启用，如下图所示：

  

• 导入指标模型：进入AnyRobot数据管理>指标模型页面，点击【导入】按钮，导入对应的指标模型，具体可参考下图所示：

• 导入告警规则：进入AnyRobot告警 > 告警配置页面，点击【导入】按钮，导入对应的告警规则，具体可参考下图所示：

• 导入仪表盘：进入AnyRobot系统管理>对象管理>仪表盘页面，点击【导入】按钮，导入对应的仪表盘，具体可参考下图所示：

• 数据采集：具体数据采集方案和策略，依可观测性方案不同而不同，此数据采集不具通用性，在此不再赘述。如果想获取Linux可观测性的详细数据采集相关信息，请查看：AnyRobot Family Linux 可观测性实施指导

3.Linux可观测性-系统排障

Linux可观测性仪表盘根据不同的分析纬度，共包含为四个仪表盘，如下表。本文结合相关用户场景举例说明在用户环境中当系统出现问题时，运维人员如何使用Linux可观测性仪表盘对相关问题进行分析和快速的定位。

• 场景示例：用户请求数量增加导致应用软件性能下降原因分析

问题背景：项目部署之后，随着业务量的增加，服务的处理性能在不断下降，此时系统管理员在对请求链路分析时发现，随着用户数量的增加，请求数激增，在请求MongoDB服务时，耗时较高。使用【MongoDB-性能剖析】仪表盘查看MongoDB服务指标时发现，此时MongoDB服务的QPS和TPS不断下降，处理的操作数在不断下降，且操作延迟在不断增加。如下图所示。此时系统管理员需要对MongoDB服务进行性能分析，定位性能瓶颈，提出相关的性能优化方案。

• • 基于Linux可观测性仪表盘对MongoDB服务器资源进行分析

第一步：进入【01-Linux概览】仪表盘，根据主机IP进行筛选出MongoDB所在服务器，查看服务器系统指标是否出现正常，如下所示：

此时发现MongoDB服务器运行正常， CPU利用率正常，但在发生问题的时间段内，内存使用率和系统的五分钟负载较高，且磁盘IO到达97%。表示磁盘正在受到相当大的负载。此时需要对磁盘资源使用情况做进一步分析。

第二步：根据【01-性能剖析】仪表盘对磁盘相关的指标进行分析，如下所示：

此时发现在当前服务器当中，磁盘的写入速率、写入次数速率均比较高，磁盘的写入速率已达到当前磁盘的写入速率瓶颈，此时可以推断出当用户的请求数量增加之后，会导致MongoDB出现大量的写磁盘操作，写入的速率过高，导致磁盘出现写入瓶颈，从而影响应用的整体性能。此时需要对MongoDB的相关指标进行分析，定位导致MongoDB出现大量写磁盘操作的原因。然后结合实际情况对MongoDB服务进行优化。

• • 基于MongoDB性能剖析仪表盘分析MongoDB内存是否出现瓶颈，导致数据库服务性能下降

第一步：查看指标图，是否当前服务指标是否出现异常值，如下所示：

此时，发现当前服务中出现大量的慢操作日志，说明存在大量的耗时操作，导致数据库服务性能下降，需要进行进一步分析。

第二步：查看【MongoDB-SlowLog-慢日志列表】，对出现的慢日志进行分析，分析出现慢操作的原因，如下所示：

发现在慢日志列表当中，出现的慢日志都是和command相关的操作，在MongoDB中，执行command命令也可能会出现慢查询，导致慢日志的产生。导致MongoDB command命令变慢的原因包括锁争用，磁盘I/O延迟，网络延迟，数据库大小等，结合磁盘资源使用情况判断，因磁盘IO过高导致command命令变慢，此时，需要进一步分析磁盘IO过高的原因。

第三步：根据【MongoDB-Memory-常驻内存使用情况趋势】、【MongoDB-Memory-虚拟内存使用情况趋势】查看内存的使用情况。

发现当前服务的常用内存使用量已达到为MongoDB分配的常驻内存总量，且虚拟内存使用较高，说明分配的内存可能已存在瓶颈，需要进行进一步分析。

第四步：根据【MongoDB-Memory-内存缺页次数趋势】查看当前服务是否出现内存缺页的情况，如下所示：

此时发现MongoDB中，内存的缺页次数在不断增加，说明在频繁的进行磁盘相关的操作。

第五步：查看缓存的使用情况，查看脏页率是否太高，导致进行磁盘的写入频繁，如下所示：

此时，发现当前服务中，脏页率接近20%,且MongoDB可并发事务数中可写事务数在不断下降，说明此时MongoDB内存空间不足，需要不断的进行写磁盘操作，从而导致出现磁盘IO瓶颈。

结论：在应用运行过程中，由于为当前MongoDB服务分配的内存空间不足，当操作的数据量过大时，会导致MongoDB进行频繁的磁盘操作，出现磁盘相关的性能瓶颈，从而导致数据库性能下降。此时需要实际情况对资源进行优化。可从以几方面进行考虑：

• • • • 内存优化：MongoDB对内存的使用非常重要。尽可能多地分配内存给MongoDB进程，可以提高性能和稳定性。可以通过调整MongoDB配置文件中的wiredTigerCacheSizeGB参数来控制内存的使用。
      • 硬盘优化：MongoDB对硬盘的要求也比较高，建议使用高性能的SSD硬盘或NVMe硬盘，以提高IO性能。此外，还可以通过调整MongoDB配置文件中的wiredTigerCollectionBlockCompressor参数来控制数据压缩，以减少硬盘的使用。
      • 集群优化：如果使用MongoDB的分片或副本集功能，需要对集群进行优化。可以通过增加分片节点、增加副本集成员、调整写入确认级别等方式来提高集群的可用性和性能。