1. RocketMQ-Exporter 监控体系核心价值第一次接触RocketMQ监控时我也曾困惑为什么需要额外部署Exporter直接看Broker日志不就行了直到某次线上故障让我彻底改变了看法。当时消费者积压突然飙升但由于缺乏实时监控等到用户投诉才发现问题此时积压量已经达到百万级。这就是RocketMQ-Exporter的核心价值——将黑盒运行状态转化为可视化指标让问题在萌芽阶段就能被发现。这个监控体系包含三个关键角色RocketMQ集群产生原始运行数据Exporter数据采集与标准化转换Prometheus指标存储与告警触发最让我惊喜的是它的指标丰富度。比如rocketmq_group_get_latency_by_storetime这个指标能精确到毫秒级反映消息从存储到被消费的延迟。有次大促前就是通过这个指标发现某个消费者组的处理延迟从平均50ms突增至800ms及时扩容避免了雪崩。2. 从零搭建监控环境2.1 编译部署避坑指南官方Docker镜像缺失是个痛点第一次编译时我也栽在Java镜像问题上。现在总结出最稳的编译流程# 使用阿里云镜像加速 git clone https://github.com/apache/rocketmq-exporter.git cd rocketmq-exporter # 关键修改点 sed -i s/java:8/openjdk:8/g src/main/docker/Dockerfile sed -i s/0.0.2-SNAPSHOT-exec/0.0.3-SNAPSHOT-exec/g src/main/docker/Dockerfile # 建议使用国内maven源 mvn clean package -Dmaven.test.skiptrue \ -Dcheckstyle.skiptrue \ -Dmaven.wagon.http.ssl.insecuretrue \ --settingssettings.xml编译常见报错解决方案manifest unknown错误必须将Dockerfile中的java:8改为openjdk:8ADD failed报错检查pom.xml中的版本号与Dockerfile是否一致依赖下载超时在settings.xml配置阿里云镜像仓库2.2 生产级部署方案单机部署适合测试环境生产环境我推荐Kubernetes部署。这是经过压测验证的资源配置resources: limits: cpu: 2 memory: 2Gi requests: cpu: 0.5 memory: 1Gi关键参数调优经验rocketmq.config.outOfTimeSeconds必须大于Prometheus抓取间隔建议2倍namesrvAddr多个地址用分号分隔不要加空格enableACL如果开启ACL记得配置白名单IP3. 告警规则配置实战3.1 黄金指标监控策略经过多个项目验证这4类指标必须配置告警存活监控基础中的基础- alert: RocketMQ Exporter Down expr: up{jobrocketmq-exporter} 0 for: 1m labels: severity: critical积压监控动态阈值方案- alert: MessageBacklog expr: (sum(rocketmq_producer_offset) by (topic) - sum(rocketmq_consumer_offset) by (group,topic)) avg(rocketmq_producer_tps[5m]) * 300 # 5分钟生产量 for: 5m消费延迟监控- alert: ConsumeLatencyHigh expr: rocketmq_group_get_latency_by_storetime 5000 # 5秒 for: 3m失败率监控- alert: ConsumeFailRate expr: rate(rocketmq_client_consume_fail_msg_count[1m]) / rate(rocketmq_client_consume_ok_msg_tps[1m]) 0.01 for: 5m3.2 动态阈值优化技巧初期直接使用固定阈值经常误报后来发现两个优化点基于TPS的动态阈值# 根据最近1小时平均TPS的20倍设置阈值 avg_over_time(rocketmq_producer_tps[1h]) * 20工作日/节假日区分# 使用record规则预计算 - record: rocketmq:prod_tps:seasonal expr: avg_over_time(rocketmq_producer_tps[7d]) * (day_of_week() 6 ? 1.5 : 0.7)4. 可视化大盘设计4.1 Grafana模板核心面板我设计的监控大盘包含6个关键视图集群健康状态看板Broker存活状态Namesrv节点数各节点CPU/Memory消息流全景图sum(rate(rocketmq_producer_tps[1m])) by (topic) vs sum(rate(rocketmq_consumer_tps[1m])) by (group,topic)积压趋势热力图topk(10, rocketmq_message_accumulation )消费延迟分布histogram_quantile(0.95, sum by (le, topic)(rate(rocketmq_group_get_latency_by_storetime_bucket[5m])) )4.2 业务级监控方案为不同业务线定制监控时推荐使用标签注入# Prometheus配置示例 relabel_configs: - source_labels: [__meta_kubernetes_pod_label_bizLine] target_label: biz_line然后在Grafana使用变量过滤{cluster$cluster, biz_line$biz_line}5. 生产环境调优经验5.1 性能优化参数在高负载场景下10w TPS这些参数需要调整# application.yml关键配置 server: tomcat: max-threads: 200 accept-count: 100 rocketmq: config: collectPeriod: 30s # 采集周期 metricPeriod: 60s # 计算周期5.2 高可用部署方案对于金融级场景建议采用双集群热备部署两套Exporter对接同一集群分片采集大集群按Broker分组采集本地缓存配置rocketmq.config.cacheSize10000某次线上事故中正是由于配置了双Exporter实例在主实例OOM时备实例及时接替工作避免了监控中断。6. 典型故障排查案例去年双11大促时遇到一个经典问题监控显示消费延迟正常但业务方反馈消息处理延迟。通过分析指标发现rocketmq_consumer_tps正常rocketmq_group_get_latency低于阈值但rocketmq_client_consume_rt存在毛刺最终定位是消费者业务代码中存在同步DB操作导致虽然消息很快从MQ取出但业务处理阻塞。这个案例让我学会要同时监控从MQ取出的速度业务实际处理速度最终处理成功率现在我的告警规则都会包含这三个维度的组合检测。