百度360必应搜狗淘宝本站头条
当前位置:网站首页 > 技术分类 > 正文

prometheus、exporter和grafana的简单使用

ztj100 2025-05-02 14:52 23 浏览 0 评论

一、基本介绍

1、prometheus

Prometheus(普罗米修斯)是一套开源的监控&报警&时间序列数据库的组合,由 SoundCloud 公司开发。

2、Grafana

Grafana 是一款开源的数据可视化工具,可以从多种数据源获取数据,并在美观、灵活的数据面板中创建、探索和共享所有数据。

3、exporter

被监控的服务器数据采集程序,通过该程序可以将相关数据发送到prometheus

4、基本逻辑

被监控的服务器,通过exporter将数据发定时收集好到prometheus,然后通过Grafana进行可视化呈现和预警。

二、环境搭建

1、准备3台服务器

这里虚拟机的搭建可以参考我如下几篇笔记

prometheus、exporter和grafana的简单使用

root forever
###用来安装prometheus服务
1、192.168.192.20 prometheus-server20
###用来安装被监控的应用,这里安装mysql
2、192.168.192.19 prometheus-agent19
###用来安装grafana
3、192.168.192.22 prometheus-grafana22

记得测试的话关闭防火墙,不然本地浏览器访问不了

systemctl stop firewalld

2、prometheus服务的安装

去官网下载
https://prometheus.io/download/

[root@localhost ~]# arch
x86_64

不要求很严格的情况下:
amd64=x86_64=x64!=IA64

cd /usr/local/
tar xvfz prometheus-3.0.0-beta.1.linux-amd64.tar.gz
cd prometheus-3.0.0-beta.1.linux-amd64
nohup ./prometheus --config.file=prometheus.yml &

http://192.168.192.20:9090/

这里需要做服务器之间的时钟同步

3、安装node_exporter

使用prometheus监控远程linux主机
1、安装node组件
在远程linux主机上安装node_exporter组件,这样promuthues就可以接收数据了。

https://prometheus.io/download/

tar zxvf node_exporter-1.8.2.linux-amd64.tar.gz
cd  node_exporter-1.8.2.linux-amd64
nohup ./node_exporter &
cat nohup.out
ts=2024-11-05T14:36:18.462Z caller=tls_config.go:313 level=info msg="Listening on" address=[::]:9100
ts=2024-11-05T14:36:18.462Z caller=tls_config.go:316 level=info msg="TLS is disabled." http2=false address=[::]:9100

http://192.168.192.21:9100/metrics
可以看到很多数据了

修改prometheus的配置后重启,把该节点加入到服务中

# A scrape configuration containing exactly one endpoint to scrape:
# Here it's Prometheus itself.
scrape_configs:
  # The job name is added as a label `job=<job_name>` to any timeseries scraped from this config.
  - job_name: "prometheus"

    # metrics_path defaults to '/metrics'
    # scheme defaults to 'http'.

    static_configs:
      - targets: ["localhost:9090"]

  - job_name: "agent"
    static_configs: 
      - targets: ["192.168.192.21:9100"]

重启

nohup ./prometheus --config.file=prometheus.yml &

4、安装mysqld_exporter

先安装mysql,这里直接用docker安装

Docker安装MySQL完整版流程

然后下载

上传到服务器

tar zxvf mysqld_exporter-0.15.1.linux-amd64.tar.gz
cd  mysqld_exporter-0.15.1.linux-amd64

vi my.cnf
####
[client]
user = root
password = 123456
host = 192.168.192.19
port = 3309
nohup ./mysqld_exporter --config.my-cnf=my.cnf &

打开日志可以看到端口为9104

http://192.168.192.19:9104/metrics

修改Prometheus的配置文件

- job_name: "mysql"
    static_configs:
      - targets: ["192.168.192.19:9104"]

然后重启,访问即可发现

http://192.168.192.20:9090/targets

5、安装grafana

yum install -y https://dl.grafana.com/oss/release/grafana-11.3.0-1.x86_64.rpm
 systemctl start grafana-server
 systemctl enable grafana-server

端口是3000,这个可以从官网上找到
https://grafana.com/docs/grafana/latest/getting-started/build-first-dashboard/
用户密码都是admin

http://192.168.192.22:3000

登录后密码我这里是改为了123456


先加个数据源



啥我都不改,都用默认的,就加上我的普罗米修斯的地址即可

这里有多种方式可以建仪表盘,可以导入,也可以自己新建,当然导入别人弄好的比较方便
比如这里选择mysql的



从这里去下载即可。
https://grafana.com/grafana/dashboards/

然后在之前的界面导入即可。


时钟若是没有同步,可能会看不到数据

相关推荐

其实TensorFlow真的很水无非就这30篇熬夜练

好的!以下是TensorFlow需要掌握的核心内容,用列表形式呈现,简洁清晰(含表情符号,<300字):1.基础概念与环境TensorFlow架构(计算图、会话->EagerE...

交叉验证和超参数调整:如何优化你的机器学习模型

准确预测Fitbit的睡眠得分在本文的前两部分中,我获取了Fitbit的睡眠数据并对其进行预处理,将这些数据分为训练集、验证集和测试集,除此之外,我还训练了三种不同的机器学习模型并比较了它们的性能。在...

机器学习交叉验证全指南:原理、类型与实战技巧

机器学习模型常常需要大量数据,但它们如何与实时新数据协同工作也同样关键。交叉验证是一种通过将数据集分成若干部分、在部分数据上训练模型、在其余数据上测试模型的方法,用来检验模型的表现。这有助于发现过拟合...

深度学习中的类别激活热图可视化

作者:ValentinaAlto编译:ronghuaiyang导读使用Keras实现图像分类中的激活热图的可视化,帮助更有针对性...

超强,必会的机器学习评估指标

大侠幸会,在下全网同名[算法金]0基础转AI上岸,多个算法赛Top[日更万日,让更多人享受智能乐趣]构建机器学习模型的关键步骤是检查其性能,这是通过使用验证指标来完成的。选择正确的验证指...

机器学习入门教程-第六课:监督学习与非监督学习

1.回顾与引入上节课我们谈到了机器学习的一些实战技巧,比如如何处理数据、选择模型以及调整参数。今天,我们将更深入地探讨机器学习的两大类:监督学习和非监督学习。2.监督学习监督学习就像是有老师的教学...

Python教程(三十八):机器学习基础

...

Python 模型部署不用愁!容器化实战,5 分钟搞定环境配置

你是不是也遇到过这种糟心事:花了好几天训练出的Python模型,在自己电脑上跑得顺顺当当,一放到服务器就各种报错。要么是Python版本不对,要么是依赖库冲突,折腾半天还是用不了。别再喊“我...

超全面讲透一个算法模型,高斯核!!

...

神经网络与传统统计方法的简单对比

传统的统计方法如...

AI 基础知识从0.1到0.2——用“房价预测”入门机器学习全流程

...

自回归滞后模型进行多变量时间序列预测

下图显示了关于不同类型葡萄酒销量的月度多元时间序列。每种葡萄酒类型都是时间序列中的一个变量。假设要预测其中一个变量。比如,sparklingwine。如何建立一个模型来进行预测呢?一种常见的方...

苹果AI策略:慢哲学——科技行业的“长期主义”试金石

苹果AI策略的深度原创分析,结合技术伦理、商业逻辑与行业博弈,揭示其“慢哲学”背后的战略智慧:一、反常之举:AI狂潮中的“逆行者”当科技巨头深陷AI军备竞赛,苹果的克制显得格格不入:功能延期:App...

时间序列预测全攻略,6大模型代码实操

如果你对数据分析感兴趣,希望学习更多的方法论,希望听听经验分享,欢迎移步宝藏公众号...

AI 基础知识从 0.4 到 0.5—— 计算机视觉之光 CNN

...

取消回复欢迎 发表评论: