.NET Core使用App.Metrics监控消息队列(一)：初探

一、简介

App Metrics是一个开放源代码和跨平台的.NET库，用于记录应用程序中的指标。App Metrics可以在.NET Core或也支持.NET 4.5.2的完整.NET框架上运行。

App Metrics通过在内存中进行采样和聚合，并提供可扩展性点以指定间隔将指标刷新到存储库中，从而抽象化了Metrics的基础存储库，例如InfluxDB，Prometheus，Graphite，Elasticsearch等。

App Metrics提供了各种度量标准类型来度量事物，例如请求率，计算一段时间内的用户登录数，度量执行数据库查询所花费的时间，度量可用内存的数量等等。支持的指标类型包括Apdex，仪表，计数器，仪表，直方图和计时器。

App Metrics还提供了运行状况检查系统，使您可以通过用户定义的检查来监视应用程序的运行状况。

使用App Metrics，可以：

• 捕获任何类型的.NET应用程序中的应用程序指标，例如Windows Service，MVC Site，Web API等
• 自动测量MVC或Web API项目中每个端点的性能和错误
• 使用OAuth2保护API时，自动衡量每个客户端的请求率和错误率
• 选择保存捕获的指标的位置以及希望用来可视化这些指标的仪表板
• 通过特定于TSDB的报告扩展支持基于推和拉的指标收集，并通过HTTP以要求的格式公开指标
• 支持以所需格式将指标推送到自定义HTTP端点
• 支持以所需格式将指标写入文件以供指标代理收集、

 

更多使用方式直接访问官网：https://www.app-metrics.io/

 

二、实际业务场景

上面介绍了App.Metrics以及它支持的场景，但是读完你一定会觉得很抽象，没错我也一样。如果不是带着实际的业务场景去看这些东西，其实还是有点云里雾里的。在实际的业务中我们通常会把它用于两个方面，一方面是包括CPU、内存在内的对系统级别的整体监控，园子里有很多文章都做了demo供大家参考，大家可以搜一下。另外一方面是通过埋点的方式统计相关数据，后端通常使用InfluxDB作为数据库，并使用Grafana或者Prometheus来对数据进行展示。

本篇将介绍的使用方式是第二钟，通过埋点的方式来对消息队列进行统计，统计的数据包括 队列数量、每个队列当前消息数量（已消费、未消费），以及消息的生成和发布速率。

最后的样子大体就是下面这个样子：

 

三、InfluxDB 

在使用App.Metrics之前，我们需要先准备好数据库，也就是InfluxDB，首先快速了解一下InfluxDB是什么：

InfluxDB 是用Go语言编写的一个开源分布式时序、事件和指标数据库，无需外部依赖。

类似的数据库有Elasticsearch、Graphite等。

其主要特色功能

1）基于时间序列，支持与时间有关的相关函数（如最大，最小，求和等）

2）可度量性：你可以实时对大量数据进行计算

3）基于事件：它支持任意的事件数据

InfluxDB的主要特点

1）无结构（无模式）：可以是任意数量的列

2）可拓展的

3）支持min, max, sum, count, mean, median 等一系列函数，方便统计

4）原生的HTTP支持，内置HTTP API

5）强大的类SQL语法

6）自带管理界面，方便使用

 

Influx包含以下属性：

database: 数据库名，在 InfluxDB 中可以创建多个数据库，不同数据库中的数据文件是隔离存放的，存放在磁盘上的不同目录。

retention policy: 存储策略，用于设置数据保留的时间，每个数据库刚开始会自动创建一个默认的存储策略 autogen，数据保留时间为永久，之后用户可以自己设置，例如保留最近2小时的数据。插入和查询数据时如果不指定存储策略，则使用默认存储策略，且默认存储策略可以修改。InfluxDB 会定期清除过期的数据。

measurement: 测量指标名，例如 cpu_usage 表示 cpu 的使用率。

tag sets: tags 在 InfluxDB 中会按照字典序排序，不管是 tagk 还是 tagv，只要不一致就分别属于两个 key，例如 host=server01,region=us-west 和 host=server02,region=us-west 就是两个不同的 tag set。

field name: 例如上面数据中的 value 就是 fieldName，InfluxDB 中支持一条数据中插入多个 fieldName，这其实是一个语法上的优化，在实际的底层存储中，是当作多条数据来存储。

timestamp: 每一条数据都需要指定一个时间戳，在 TSM 存储引擎中会特殊对待，以为了优化后续的查询操作。

2）Point

InfluxDB 中单条插入语句的数据结构，series timestamp 可以用于区别一个 point，也就是说一个 point 可以有多个 field name 和 field value。

3）Series

series 相当于是 InfluxDB 中一些数据的集合，在同一个 database 中，retention policy、measurement、tag sets 完全相同的数据同属于一个 series，同一个 series 的数据在物理上会按照时间顺序排列存储在一起。

series 的 key 为 measurement 所有 tags 的序列化字符串，这个 key 在之后会经常用到。

 

四、搭建InfuxDB Grafana 

OK，这篇是一个DEMO演示篇，所以我们使用Dokcer快速的创建InfluxDB和Grafana:

docker run -d -p 8083:8083 -p 8086:8086 --expose 8090 --expose 8099 tutum/influxdb

docker run -d --name=grafana -p 3000:3000 grafana/grafana

 

运行成功之后我们分别可以访问8083端口的InfluxDB和3000端口的Grafana：

 

 

 

 

 

 

我们首先给InfluxDB添加一个用户：

 

 

 添加完成后配置一下Grafana：

 

 

 

四、.NET CORE使用App.Metrics

这里我们使用.net core控制台项目来演示（API项目例子已经有很多了，但是控制台项目没看到），新建一个控制台项目 AppMetricsPractice：

通过NuGet引用App.Metrics和App.Metrics.Reporting.InfluxDB

 

 

 

 

 

 然后我们就可以愉快的使用了，简单使用可以如下：

static void Main(string[] args)
        {
            var metrics = new MetricsBuilder().Report
                .ToInfluxDb("http://47.99.92.76:8086", "metricsdatabase")
                .Build();


            var counter = new CounterOptions { Name = "my_counter", MeasurementUnit = Unit.Calls };
            metrics.Measure.Counter.Increment(counter,"MqQueueNmae");

            var task = Task.Run(async () =>
            {
                await Task.WhenAll(metrics.ReportRunner.RunAllAsync());
            });

            task.Wait();


            Console.Read();
        }

使用方式在官网有简介，这里介绍一下，ToInfluxDb（influxDB url,InfluxDB databaseName）,这里是InfluxDB的地址和数据库名称，如果没有改数据库，会自动创建。

以上写法是简写，当然我们可以详细的控制InfluxDB的属性，通过以下写法：

            var metrics = new MetricsBuilder()
                .Report.ToInfluxDb(
                    options =>
                    {
                        options.InfluxDb.BaseUri = new Uri("http://47.99.92.76:8086");
                        options.InfluxDb.Database = "metricsdatabase";
                        options.InfluxDb.Consistenency = "consistency";
                        options.InfluxDb.UserName = "admin";
                        options.InfluxDb.Password = "password";
                        options.InfluxDb.RetentionPolicy = "rp";
                        options.InfluxDb.CreateDataBaseIfNotExists = true;
                        options.HttpPolicy.BackoffPeriod = TimeSpan.FromSeconds(30);
                        options.HttpPolicy.FailuresBeforeBackoff = 5;
                        options.HttpPolicy.Timeout = TimeSpan.FromSeconds(10);
                        options.MetricsOutputFormatter = new MetricsInfluxDbLineProtocolOutputFormatter();
                        options.Filter = filter;
                        options.FlushInterval = TimeSpan.FromSeconds(20);
                    })
                .Build();

 

Option	Description
MetricsOutputFormatter	向InfluxDB报告指标时使用的格式化程序。
Filter	该过滤器仅用于为此报告者过滤指标。
FlushInterval	向InfluxDB报告指标之间的延迟。
InfluxDb.Database	报告指标的InfluxDB数据库。
InfluxDb.BaseUri	InfluxDB服务器的URI。
InfluxDb.UserName	使用基本身份验证与InfluxDB进行身份验证时的用户名。
InfluxDb.Password	使用基本身份验证与InfluxDB进行身份验证时使用的密码。
InfluxDb.Consistenency	要使用的InfluxDB数据库一致性级别。
InfluxDb.RetentionPolicy	InfluxDB数据库保留策略以向其写入指标。
InfluxDb.CreateDataBaseIfNotExists	如果指定的influxdb数据库不存在，将尝试创建该数据库。
HttpPolicy.BackoffPeriod	TimeSpan当指标无法向指标入口端点报告时，从后退。
HttpPolicy.FailuresBeforeBackoff	指标未能向指标入口端点报告时，在回退之前的失败次数。
HttpPolicy.Timeout	尝试向度量标准入口端点报告度量标准时的HTTP超时持续时间。

 

然后我们要存储一个Counter类型的数据，App.Metrics里有主要有6种数据类型：Counter、Gauge、Histograms 、Meter 、Timer 、Apdex。我们本篇主要使用Counter和Gauge这两种数据类型，

CounterOptions种的Name是数据表名，MeasurementUnit是测量的内容的描述。

metrics.Measure.Counter.Increment(counter,"MqQueueNmae");  会往把“my_counter”表里的value 1，实际就是对value加加减减，大致如下：

 

 同时还会创建一张名为my_counter__items的表，同时为一个字段为“MqQueueNmae”的value 1，如下：

 

 

多了几个字段，通过这个我们可以用来对不同的消息度列Queue进行统计，而第一张表则当做一张当前消费消息的统计表。

            var task = Task.Run(async () =>
            {
                await Task.WhenAll(metrics.ReportRunner.RunAllAsync());
            });

            task.Wait();

这句代码是指将当前的统计数据报告到InfluDB，这段代码一定要在最后，它会将数据发送到所有已注册的存储端，比如你同时注册了InfluxDB和Prometheus，那么数据会同时发送到这两个存储端。

执行完成后创建的两张表如下：

 

 

然后我们就可以去Granfan里自定义统计图了，比较简单，大家可以自己研究一下，大致如下：

 

 

下一篇将会把这一套集成到实际项目中，用来监控消息队列系统，这一篇只是了解，等我明天写可以直接用于生产的！