Grafana 持续性能分析开源项目 Phlare 速体验

2022/11/02 这天 Grafana 对外宣称开源其持续性能分析（continuous profiling） 解决方案 Phlare， 在正式认识它之前，我们先来聊聊什么是持续性能分析以及当前开源方案。 首先什么是持续性能分析呢？

“Profiling” 是一种分析程序复杂性的动态方法，例如 CPU 利用率或函数调用的频率和持续时间。 通过 Profiling ，我们可以准确定位应用程序在哪些部分消耗的资源最多。 而 “Continuous profiling” 则更加强大，它增加了时间维度， 可以通过随着时间的推移了解系统资源情况，您可以定位、调试和修复与性能相关的问题（参考文章 https://www.cncf.io/blog/2022/05/31/what-is-continuous-profiling/）。

伴随着云原生可观测性和 FinOps 理念的普及，持续性能分析这一概念也逐渐火了起来，把它当成除可观测性三支柱（metric、log、trace）之外的第四支柱已然成为一种共识。

早在一年前持续性能分析这个领域就诞生了不少开源项目，其中最为耀眼的包括 pyroscope-io/pyroscope 和 parca-dev/parca，这两个笔者都有尝试使用过，它们都支持多种语言SDK 以及 eBPF，集成体验都还不错，那今天 Grafana 又推出了自己的解决方案 Phlare，算是给火热的 CP 领域再添一把柴。

Grafana 推出 Phlare 的考量？

• Grafana 公司作为可观测性全栈解决方案，对新兴类型的遥测数据天然是要跟进的，推出自己的方案，有助于降低用户集成门槛，加深自身平台护城河。
• Phlare 整体架构与 Grafana 其它开源项目架构非常相似，大家对架构、组件的理解都更快。
• Grafana 看板对 Phlare 的支持天然可以做的更好，毕竟是自家产品，迭代速度以及动力更强，更方便打造 All in one 看板。

说了这么多，多一个开源产品的选择总归是有好处的。

Phlare 架构

目前 Phlare 的架构如上图，看着是不是很眼熟，没错它和 Mimir 的架构很相似，也包含了 Distributer、Ingester、Querier 等组件。

架构说明：

• Phalre Agent 负责应用分析数据抓取，这个使用了 Parca Agent 的相关代码，很像 Prometheus 的 scraper，支持多种服务发现，APP 需要通过 HTTP 接口导出对应的分析数据。
• Distributer 负责接收分析数据的写入，并进行一些常规的校验，比如 labels 合法性、数据合法性等，然后将合法数据 push 到多个 Ingester 节点（根据配置的副本数），支持根据 labels 进行hash。
• Ingester 主要负责多租户持续性能分析数据的本地存储和查询，每个租户都有单独的 phlaredb 实例，分别存储到不同目录。phlaredb Head 中的数据会定期被截断（内存达到1G或达到配置的最大时间间隔，默认3小时） ，生成一个持久 Block，类似 Prometheus 中的 Head Block 做截断压缩，最后这个持久块会上传到对象存储, 本地 Block 会在磁盘剩余量不足 10GB 或 5%的时候进行清理。
• Querier 负责持续性能分析数据查询，目前只支持从 Ingester 查询数据，暂不支持从对象存储 Block 数据查询。

当前 Phlare 的版本为 v0.1.0， 可以看到它缺少的功能挺多的，比如对象存储存储数据的查询（store-wateway），多副本数据集中去重（类似 Thanos compactor），Grafana Agent 中集成 Phalre Agent。

它大部分功能和 Parca 相似，包括 Agent 抓取，只不过它多了集群管理、多副本存储以及多租户。

Phlare 速体验

虽然 Phlare v0.1.0 缺失的功能还不少，但不影响我们体验它，这里我们模仿 Mimir 也创建了一个 play-with-phlare 的项目，使用 docker-compose 进行快速本地部署。

使用如下命令进行部署：

git clone https://github.com/grafanafans/play-with-phlare.git
cd play-with-phlare
docker-compose up -d

这个命令可以自动完成：

• 启动三个相同的 Phlare 实例，分别为 phlare-1～3，它们都监听 4100 端口。
• 启动一个 Phlare Agent，用于抓取 Phlare 三个实例的分析数据。
• 启动一个 Nginx 作为负载均衡，监听 4100 端口，后端为 Phlare 三个实例。
• 启动一个 Grafana 容器，监听 3000 端口，并通过环境变量 GF_FEATURE_TOGGLES_ENABLE=flameGraph 开启火焰图看板。
• 启动一个 Minio 容器，存储 phlare 的 Block 数据。

部署图如下：

最后通过 http://localhost:3000 页面以及默认的数据源，访问其抓取的分析数据：

配置详情

phlare 实例配置如下：

multitenancy_enabled: true

ingester:
  lifecycler:
    ring:
      kvstore:
        store: memberlist 
      replication_factor: 3

memberlist:
  join_members: [phlare-1, phlare-2, phlare-3]

phlaredb:
  data_path: /data/ingester

tracing:
  enabled: false

storage:
  backend: s3
  s3:
    endpoint: minio:9000
    access_key_id: phlare
    secret_access_key: supersecret
    insecure: true
    bucket_name: phlare

配置说明：

• 这里主要使用单实例模式进行部署，它会自动启动所有模块。
• ingester 使用 memberlist 进行集群注册，复制副本数配置为 3。
• 使用 s3 作为 Block 的存储。
• 开启多租户模式。

Agent 配置如下：

target: agent

scrape_configs:
  - job_name: 'phlare'
    static_configs:
    - targets: ["phlare-1:4100", "phlare-2:4100", "phlare-3:4100"]

client:
  url: http://load-balancer:4100
  tenant_id: demo

配置说明:

• 使用静态配置，分别抓取三个 phlare 实例。
• 通过 lb 地址进行数据的推送，并推送到 demo 这个租户。

总结

我们通过 docker-compose 快速搭建了一个支持多副本、多租户、分级存储的持续性能分析的分布式数据库系统，并通过 Phlare Agent 进行数据抓取，最后再通过 Grafana 看板进行数据查询。 可以看到 Phlare 的部署和配置还是比较简单的，如果您以前熟悉 Parca 之类的开源项目，上手 Phlare 将更快。

目前 Phlare 发布的最新版本为 v0.1.0，虽然它还有不少待开发的功能，但整个框架基本成型，尤其 phlaredb 这套，感兴趣的小伙伴可以尝鲜体验体验。