A Practical Summary of AWS CloudWatch for EXPO

写在前面

AWS CloudWatch 是 AWS 提供的一项监控和日志服务，用于帮助开发人员、系统管理员和运维团队监视其 AWS 云环境中的资源和应用程序，以下是 AWS CloudWatch 提供的主要功能点：

• 监控 AWS 资源：CloudWatch 可以监视各种 AWS 资源，包括 ECS、S3、RDS 等，以便实时跟踪它们的性能指标和运行状况。
• 指标和警报：用户可以在 CloudWatch 中创建自定义指标，并设置警报以便在资源出现问题或超出预设阈值时接收通知。
• 日志管理：CloudWatch Logs 允许用户收集、监视和存储应用程序和系统日志，以便进行分析和故障排除。
• 仪表盘：用户可以创建自定义仪表盘，将不同指标和日志数据可视化展示，以便快速了解系统的运行状况。
• 事件调度：CloudWatch Events 可以监视 AWS 资源的状态变化，并触发相应的自动化操作，例如启动 EC2 实例或执行 Lambda 函数，Event Bridge 也是该服务的衍生服务。
• 日志指标化：CloudWatch Logs Insights 允许用户对日志数据进行实时查询和分析，帮助用户发现潜在问题和优化系统性能。

下面以案例实现的角度，分别阐述在 EXPO 项目中，是怎样使用 AWS CloudWatch 模块服务的。

日志监控

Log Group

在 CloudWatch 中，Log Group 是用来实现日志监控功能的基本概念，一个 Log Group 是多个 Log Stream 的集合。

虽然你可以独立在 CloudWatch 控制面板创建它，但是通常情况下，在创建其他 AWS 服务时，如 RDS、ECS、Lambda 时，Log Group 都是其中必不可少的配置项，在这种情况下，Log Group 会在创建这些服务时，自动创建。

Log Group 在命名规范上，通常有以下约定：

• 建议使用层及目录命名法，如 /expo/ecs/java/customer，但也可以使用任何满足命名规则的名称
• 以 /aws 开头的 Log Group 一般是由 AWS 自动创建的
• 对于一些特殊的服务，如 ALB 的 Access Logs，会强制要求使用 /aws/alb 开头的 Log Group

Log Stream

Log Stream 即日志流，它对应某个工作负载中实时写入日志的数据流，值得一提的是，Log Stream 通常与工作负载一一对应，如一个 ECS Task，它可能会同时生成多个 Log Stream，这是因为 ECS Task 在高可用前提下，通常是多实例运行的，同时这些 Log Stream，也是彼此隔离的，但它们可以属于同一个 Log Group。

Log Event

Log Event 是日志流中，某个日志事件的可序列化结构，它本身的编码格式是 UTF-8，同时必须要包含 timestamp 属性以及原始的日志信息。

通常情况下，我们不需要花费额外的精力来配置如何发送 Log Event，它们通常会由工作负载中的 CloudWatch Client 自动创建并发送至相对应的 Log Stream，除非在使用 aws-sdk 或者 aws-cli 的场景下。

指标和报警

在 AWS CloudWatch 中，对于异常情况进行监控和通知是通过指标（Metric）和报警（Alarm）实现的。

Metric 是一个标准的可序列化结构，它包含以下几个概念：

• Namespace: 指标命名空间，表示指标属于哪个范畴或服务下的指标，如 RDS、ECS、ALB 等
• Statistic: 用于聚合指标的统计方式，如 SUM、AVG、P95 等
• Dimension: 即维度，它表示一组可唯一标识指标的 key/value 元数据，比如要唯一标识 customer 这个 ECS Task，可通过 Cluster=expo2025-web,ServiceName=customer 来标识
• Period: 用于聚合指标的时间区间，在默认情况下，它的值是 60s，最小值是 1s，如果它大于 60s，则必须是 60s 的整数倍
• Unit: 用于聚合指标的计数单位，比如有些指标统计个数，有些则统计具体的数值

值得注意的是，Metric 本身不是 AWS 资源，它仅仅是一系列用于标记 Log Event 的数据。

Alarm 是一项监控指标的资源，它会在实时监控指标，并在发生异常时触发某个动作，Alarm 包含以下几个概念：

• Metric：用于监控的指标名称，标识指标时，需同时指定指标的 Namespace
• Threshold：触发报警时的阈值
• EvaluationPeriods：标识在几个 Metric 的 Period 内，解析是否触发报警
• Comparison: 触发报警时与 Threshold 进行比较的方式，如大于、小于等
• TreatMissingData：对待指标丢失的时间点的方式，如忽略、发生错误、正常等

Metric 的来源

Metric 可由以下几种方式创建：

• AWS 内置：AWS 服务自动创建的指标
  • 各类工作负载相关的指标，如内存、CPU 使用状态、网络吞吐量等
  • ALB 的网络吞吐量、请求数等
• 自定义指标：通过 aws-sdk 或 aws-cli 创建
  • 各类和业务相关的自定义指标，如登录异常个数、超时请求个数等
• Metric Filter：通过关键字匹配的方式，在 Log Group 中创建
  • 如 RDS 中的 Slow Query 次数
  • 后端服务发生 ERROR 的次数

Alarm 的触发动作

在发生报警时，EXPO 使用 SNS 作为 Alarm 的订阅者，它会订阅报警事件，之后再次将该事件分发给该 SNS Topic 的订阅者，如 Email 或 Slack。

除了通知类的动作之外，Alarm 还支持类似 Auto Scaling 类型的动作，动态地扩展或伸缩工作负载的水平规模，以应对报警事件。

整体架构图