2. 监控指标体系设计：核心监控指标分类与命名规范

在 Rook Ceph 生产环境中，监控指标体系的设计直接决定了版本漂移能否被及时、准确地发现。本章围绕 版本一致性、组件状态、资源使用 三大核心维度，建立可量化的监控指标，并统一命名规范，确保指标在 Prometheus 中可被高效检索与告警。

2.1 核心监控指标分类

我们将监控指标分为三个大类，每一类对应不同的故障发现场景。下表列出了每类指标的核心关注点与典型指标示例：

2.2 版本一致性指标详解

版本漂移校准的核心在于 版本一致性 指标。我们设计了以下三个关键指标来覆盖全场景：

• rook_ceph_version_mismatch：布尔型指标，1 表示存在版本不一致，0 表示一致。用于快速触发全局告警。
• rook_ceph_version_count：统计当前集群中出现的不同版本数量。正常应为 1，大于 1 表示存在漂移。
• rook_ceph_node_version：每个节点上的 Ceph 版本标签，用于定位具体漂移节点。

2.3 组件状态指标详解

组件状态指标需要覆盖 Ceph 集群的所有核心角色。以下是最小必要指标集：

2.4 资源使用指标详解

资源使用指标不仅用于容量规划，也能间接反映版本漂移带来的性能异常。核心指标包括：

• 存储池维度： rook_ceph_pool_percent_used、rook_ceph_pool_objects
• OSD 维度： rook_ceph_osd_bytes_used、rook_ceph_osd_bytes_total、rook_ceph_osd_utilization
• 集群维度： rook_ceph_cluster_total_bytes、rook_ceph_cluster_used_bytes、rook_ceph_cluster_available_bytes

2.5 指标命名规范

统一的命名规范是监控体系可维护性的基础。我们采用以下分层命名规则：

2.6 监控指标体系架构图

下图展示了从数据采集到告警触发的完整监控指标体系架构：

2.7 指标采集与标签设计

为了支持版本漂移的精准定位，每个指标必须携带足够的标签信息。以下是推荐的标签设计：

# 版本一致性指标标签示例
rook_ceph_node_version{node="k8s-node-1", ceph_version="16.2.10", rook_version="1.9.5"} 1

# OSD 状态指标标签示例
rook_ceph_osd_up{osd_id="0", node="k8s-node-1", device_class="ssd", status="up"} 1

# 存储池使用率指标标签示例
rook_ceph_pool_percent_used{pool="replicapool", pg_num="128", size="3"} 67.2

2.8 告警规则设计示例

基于上述指标，我们设计以下核心告警规则，用于版本漂移的实时检测：

groups:
  - name: rook_ceph_version_alerts
    rules:
      - alert: CephVersionMismatch
        expr: rook_ceph_version_mismatch == 1
        for: 5m
        labels:
          severity: critical
        annotations:
          summary: "Ceph 集群存在版本不一致"
          description: "检测到 {{ $value }} 个节点版本与集群基线不一致"

      - alert: CephVersionCountHigh
        expr: rook_ceph_version_count > 1
        for: 2m
        labels:
          severity: warning
        annotations:
          summary: "Ceph 集群存在多个版本"
          description: "当前集群中存在 {{ $value }} 个不同的 Ceph 版本"

通过以上指标体系的设计，我们能够从版本一致性、组件状态、资源使用三个维度全面覆盖版本漂移的检测场景，并为后续的自动化校准提供可靠的数据基础。