外观
MongoDB 分片集群指标
分片集群是 MongoDB 处理大规模数据的核心架构，由分片（Shard）、路由服务器（mongos）和配置服务器（Config Server）组成。监控分片集群需要关注各个组件的关键指标，以确保集群的健康运行和最佳性能。
分片（Shard）指标
复制集指标
分片通常是一个复制集，因此需要监控复制集相关指标：
oplog 窗口大小：
db.serverStatus().repl.oplogWindowSecs- 表示 oplog 可以维持的时间窗口，单位为秒
- 建议保持在 24-72 小时，确保副本集成员可以赶上主节点
复制延迟：
db.serverStatus().repl.lagMillis- 副本集成员与主节点的延迟时间，单位为毫秒
- 建议设置告警阈值为 1000ms
复制集状态：
rs.status()- 监控复制集的健康状态，包括成员角色、心跳状态等
分片存储指标
数据大小：
db.collection.stats().size- 集合的数据大小，不包括索引
索引大小：
db.collection.stats().totalIndexSize- 集合的索引大小
存储使用率：
db.serverStatus().storageEngine.cache[0].bytesUsed / db.serverStatus().storageEngine.cache[0].bytesConfigured- WiredTiger 缓存使用率，建议保持在 80% 以下
分片性能指标
每秒查询数：
db.serverStatus().opcounters.query- 每秒执行的查询操作数
每秒写入数：
db.serverStatus().opcounters.insert + db.serverStatus().opcounters.update + db.serverStatus().opcounters.delete- 每秒执行的写入操作数
连接数：
db.serverStatus().connections.current- 当前活跃连接数，不应超过配置的最大连接数
路由服务器（mongos）指标
连接指标
活跃连接数：
db.serverStatus().connections.current- mongos 节点当前的活跃连接数
连接使用率：
db.serverStatus().connections.current / db.serverStatus().connections.available- 连接使用率，建议保持在 70% 以下
路由性能指标
每秒请求数：
db.serverStatus().metrics.operation.executionTime- mongos 每秒处理的请求数量
查询延迟：
db.serverStatus().metrics.operation.executionTime- 查询的平均执行时间，单位为毫秒
分片选择耗时：
db.serverStatus().metrics.routeConfigRefresh.totalDurationMillis- mongos 刷新路由配置的耗时
缓存指标
元数据缓存大小：
db.serverStatus().metrics.mongos.metadataCache.size- mongos 缓存的分片元数据大小
缓存命中率：
db.serverStatus().metrics.mongos.metadataCache.hits / (db.serverStatus().metrics.mongos.metadataCache.hits + db.serverStatus().metrics.mongos.metadataCache.misses)- 元数据缓存命中率，建议保持在 95% 以上
配置服务器（Config Server）指标
配置服务器状态
复制集状态：
rs.status()- 配置服务器复制集的健康状态
配置数据大小：
db.config.chunks.stats().size + db.config.collections.stats().size + db.config.shards.stats().size- 配置数据的总大小
配置服务器性能
配置更新频率：
db.serverStatus().opcounters.update- 配置服务器每秒处理的更新操作数
配置读取频率：
db.serverStatus().opcounters.query- 配置服务器每秒处理的查询操作数
分片集群整体指标
分片键分布
块分布均匀性：
sh.status()- 检查各个分片上的块数量是否均匀分布
- 理想情况下，块数量差异不应超过 10%
块大小：
db.config.chunks.aggregate([{ $group: { _id: null, avgSize: { $avg: "$jumbo" } } }])- 平均块大小，建议保持在配置的块大小附近（默认 64MB）
迁移指标
迁移状态：
db.adminCommand({ currentOp: true, $query: { $or: [{ type: "op" }, { ns: /^config\.system\.indexBuilds$/ }] } })- 监控正在进行的数据迁移
迁移速率：
db.serverStatus().metrics.sharding.chunkSkipsPerSecond- 每秒跳过的块数量，反映迁移效率
迁移失败率：
db.serverStatus().metrics.sharding.chunkMoveFailed- 块迁移失败的数量
分片集群健康状态
集群状态：
sh.status()- 查看整个分片集群的配置和状态
均衡器状态：
sh.getBalancerState()- 检查均衡器是否正在运行
均衡器窗口：
sh.getBalancerWindow()- 查看均衡器的运行窗口设置
监控工具与实践
MongoDB Atlas 监控
- 提供分片集群的全面监控面板
- 支持自定义告警规则
- 自动收集和可视化关键指标
Ops Manager 监控
- 企业版 MongoDB 的监控解决方案
- 支持分片集群的详细监控和管理
- 提供性能分析和优化建议
第三方监控工具
Prometheus + Grafana：
- 使用 MongoDB Exporter 收集指标
- 支持自定义仪表盘和告警
- 适合大规模分片集群监控
Datadog：
- 提供 MongoDB 分片集群的专用集成
- 支持自动发现和监控
- 提供性能异常检测
监控最佳实践
设置合理的告警阈值：
- 根据业务需求和集群规模调整阈值
- 重点关注复制延迟、连接使用率、存储使用率等关键指标
定期分析指标趋势：
- 建立基线性能数据
- 监控指标的长期变化趋势
- 预测资源需求和性能瓶颈
结合日志分析：
- 将指标监控与日志分析相结合
- 快速定位性能问题的根本原因
- 分析慢查询和错误日志
监控均衡器活动：
- 避免在业务高峰期运行均衡器
- 监控均衡器的运行状态和效率
- 定期检查块分布情况
常见问题与解决方案
问题：分片集群性能下降
可能原因：
- 某个分片负载过高
- 块分布不均匀
- mongos 缓存命中率低
- 网络延迟高
解决方案：
- 检查各分片的负载情况，考虑增加分片
- 手动触发均衡器或调整分片键
- 增加 mongos 节点数量
- 优化网络配置，减少延迟
问题：块迁移频繁失败
可能原因：
- 分片间网络不稳定
- 目标分片资源不足
- 存在超大块（jumbo chunk）
解决方案：
- 检查网络连接和防火墙设置
- 增加目标分片的资源
- 手动拆分超大块
- 调整块大小配置
问题：mongos 响应缓慢
可能原因：
- 元数据缓存失效
- 配置服务器负载过高
- mongos 节点数量不足
解决方案：
- 重启 mongos 节点刷新缓存
- 增加配置服务器的资源
- 增加 mongos 节点数量
- 优化配置服务器的性能
常见问题（FAQ）
Q1: 如何监控分片集群的整体健康状态？
A1: 使用 sh.status() 命令可以查看整个分片集群的配置和状态，包括分片、数据库、集合的分片情况以及块分布。同时，结合复制集状态、性能指标和均衡器状态，可以全面评估集群健康状况。
Q2: 哪些指标是分片集群监控的重点？
A2: 分片集群监控的重点指标包括：复制延迟、存储使用率、连接数、查询延迟、块分布均匀性、均衡器状态和迁移成功率。这些指标直接反映了集群的性能和可靠性。
Q3: 如何优化分片集群的监控？
A3: 优化分片集群监控的方法包括：设置合理的告警阈值、结合多种监控工具、定期分析指标趋势、监控均衡器活动、结合日志分析以及建立性能基线。这些实践可以帮助及时发现和解决性能问题，确保集群的稳定运行。
Q4: 如何处理块分布不均匀的问题？
A4: 块分布不均匀可能导致部分分片负载过高。解决方案包括：检查并调整分片键设计、确保均衡器正常运行、在业务低峰期运行均衡器、手动触发均衡器或拆分超大块。
Q5: 如何监控 mongos 节点的性能？
A5: 监控 mongos 节点性能的关键指标包括：活跃连接数、查询延迟、缓存命中率、配置刷新耗时和请求处理速率。可以使用 MongoDB 内置的监控命令、MongoDB Atlas、Ops Manager 或第三方工具（如 Prometheus + Grafana）来收集和可视化这些指标。