春季批处理：如果作业在最后 xx 分钟内失败，则向 grafana 和 prometheus 发出警报

Question

我正在使用弹簧批处理 (4.2.2.RELEASE) 和弹簧执行器 (2.2.6 RELEASE)。从 4.2 版本开始，spring batch 提供了对基于 micrometer (https://docs.spring.io/spring-batch/docs/4.2.x/reference/html/monitoring-and-metrics.html) 的批量监控和指标的支持。

例如，我可以使用度量名称spring_batch_job 查看作业执行的频率、状态和持续时间。

我想使用 grafana 和 prometheus 监控此指标，并在最近 xx 分钟内某个作业失败时发出警报。

如果 spring 批处理应用程序作为服务运行，它似乎会汇总所有指标，直到服务停止。例如，如果在过去一小时内启动了 12 次作业，则指标输出可能如下：

spring_batch_job_seconds_count{name="mainJob",status="COMPLETED",} 10.0
spring_batch_job_seconds_sum{name="mainJob",status="COMPLETED",} 354.354538083
spring_batch_job_seconds_count{name="mainJob",status="FAILED",} 2.0
spring_batch_job_seconds_sum{name="mainJob",status="FAILED",} 0.880157862

所以mainJob 的两个实例失败了。假设在接下来的一小时内所有 12 个作业都将成功，指标输出将是：

spring_batch_job_seconds_count{name="mainJob",status="COMPLETED",} 22.0
spring_batch_job_seconds_sum{name="mainJob",status="COMPLETED",} 708.704538083
spring_batch_job_seconds_count{name="mainJob",status="FAILED",} 2.0
spring_batch_job_seconds_sum{name="mainJob",status="FAILED",} 0.880157862

如何检查作业是否在最后 xx 分钟内失败？因为以下表达式仍会返回两个失败的作业实例：spring_batch_job_seconds_count{status="FAILED"}[15m]

Answer 1

我不熟悉 Prometheus QL，但我会尽力提供帮助。

您可以做的是计算这个计数器在最后一小时和前一小时之间的差异。如果您看到失败实例的数量增加，则至少有一个实例失败，您可以发出警报。否则，前一小时内没有作业失败。

Prometheus 提供了专门为此设计的 increase 函数。因此，您应该能够在以下情况下回答您的问题并发出警报：

increase(spring_batch_job_seconds_count{name="mainJob",status="FAILED"}[15m]) > 0

正如我所说，我不是 Prometheus 专家，所以我会让你检查语法。但这就是想法。