perf: 修复 Agent 校验 CPU 热点并实现指标分层聚合与频率下发

CPU 根因:每个 Agent 请求都做一次 bcrypt 校验(实测 72ms),
30 台主机 18 req/s × 72ms ≈ 1.35 核,实测容器 CPU 135%。

- agentauth: 校验结果按 Token 哈希缓存(TTL 5min,轮换即失效),
  last_used_at 写入按 60s 节流。实测 CPU 135% → 1.6%,请求延迟 103ms → 1.6ms
- metricagg: 新增后台逐级降采样聚合 raw→1m/5m→1h→6h/1d,取代前端手动触发
- metrics_aggregate: 补 uniq_metric_agg 唯一索引(原 idx_agg 非唯一导致 upsert 插重复行)
- agent 合并配置接口 GET /agent/config:一次返回任务+探针+端口策略+频率,
  配置轮询 5s→30s;服务端可下发 report_interval,Agent 热更新 ticker 无需重装
- retention: agent_reports 保留期 7d→1d(趋势由聚合表承担)
- redis: 增加 maxmemory 512mb + volatile-lru
- fix(upgrade): 升级脚本改为 fail-fast,修复下载失败仍报 UPGRADE_OK 的静默谎报

// Logan.Li
This commit is contained in:
Logan.Li committed 2026-09-14 08:23:31 +00:00
1 parent 93abf81e40
commit 59320aa410
23 files changed
+902 -29

No files matched your search

+128
View File
@@ -2,9 +2,11 @@ package agentauth
import (
"crypto/rand"
"crypto/sha256"
"encoding/hex"
"fmt"
"strings"
"sync"
"time"
"ezops/model"
@@ -13,6 +15,120 @@ import (
"gorm.io/gorm"
)
// ─────────────────────────────────────────────────────────────
// Token 校验缓存
//
// bcrypt 被设计成故意慢(本项目实测单次 Cost=10 约 72ms CPU)。Agent 每 10 秒
// 轮询 3 个接口,每个接口都要校验一次 Token,30 台主机即 9 req/s×72ms ≈ 0.65 核,
// 纯粹烧在重复校验同一条不可变凭证上。
//
// 由于 Token 在轮换前不可变(Issue 才会改写 token_hash),校验结果可以安全缓存:
// - 缓存键:token 的 SHA-256(不落明文,避免内存里出现可直接使用的凭证)
// - 有效期:默认 5 分钟,过期后回落一次 bcrypt 并续期
// - 轮换:Issue 时全量清空,保证「旧 Token 立即失效」语义不变
//
// last_used_at 的写入同样按前缀节流(默认 60s 一次),避免每请求一次 UPDATE。
// // Logan.Li
type cachedCredential struct {
credential *model.AgentCredential
expiresAt time.Time
// lastWrite 记录最近一次把 last_used_at 落库的时间,用于写入节流。 // Logan.Li
lastWrite time.Time
}
const (
defaultCacheTTL = 5 * time.Minute
defaultWriteThrottle = 60 * time.Second
// cacheMaxEntries 上限,防止异常 Token 洪水把内存撑爆。 // Logan.Li
cacheMaxEntries = 4096
)
var (
credCacheMu sync.Mutex
credCache = make(map[string]*cachedCredential)
// cacheTTL / writeThrottle 允许测试覆盖。 // Logan.Li
cacheTTL = defaultCacheTTL
writeThrottle = defaultWriteThrottle
)
// cacheKey 只缓存 Token 的哈希,内存中不保留明文 Token。 // Logan.Li
func cacheKey(token string) string {
sum := sha256.Sum256([]byte(token))
return hex.EncodeToString(sum[:])
}
// lookupCache 返回命中的凭证副本;命中时同时按节流更新 last_used_at。 // Logan.Li
func lookupCache(db *gorm.DB, token string) (*model.AgentCredential, bool) {
key := cacheKey(token)
credCacheMu.Lock()
defer credCacheMu.Unlock()
entry, ok := credCache[key]
if !ok || time.Now().After(entry.expiresAt) {
if ok {
delete(credCache, key)
}
return nil, false
}
if entry.credential.ExpiresAt != nil && entry.credential.ExpiresAt.Before(time.Now()) {
delete(credCache, key)
return nil, false
}
// 节流写入 last_used_at:仅当距上次落库超过阈值才真正 UPDATE。 // Logan.Li
now := time.Now()
if now.Sub(entry.lastWrite) >= writeThrottle {
entry.lastWrite = now
prefix := entry.credential.TokenPrefix
go func() {
_ = db.Model(&model.AgentCredential{}).
Where("token_prefix = ?", prefix).
Update("last_used_at", now).Error
}()
}
cp := *entry.credential
cp.LastUsedAt = &now
return &cp, true
}
// storeCache 写入缓存,必要时按容量上限淘汰过期项。 // Logan.Li
func storeCache(token string, credential *model.AgentCredential) {
key := cacheKey(token)
credCacheMu.Lock()
defer credCacheMu.Unlock()
if len(credCache) >= cacheMaxEntries {
now := time.Now()
for k, v := range credCache {
if now.After(v.expiresAt) {
delete(credCache, k)
}
}
// 仍超上限则整体清空,宁可多算几次 bcrypt 也不无限占内存。 // Logan.Li
if len(credCache) >= cacheMaxEntries {
credCache = make(map[string]*cachedCredential)
}
}
cp := *credential
credCache[key] = &cachedCredential{
credential: &cp,
expiresAt: time.Now().Add(cacheTTL),
lastWrite: time.Now(),
}
}
// invalidateCache 清空全部缓存。Token 轮换/撤销后调用,保证旧 Token 立即失效。 // Logan.Li
func invalidateCache() {
credCacheMu.Lock()
credCache = make(map[string]*cachedCredential)
credCacheMu.Unlock()
}
// Invalidate 提供给凭证变更入口(轮换/撤销/删除)显式失效缓存。 // Logan.Li
func Invalidate() { invalidateCache() }
// Issue 为指定主机轮换 Agent Token,旧 Token 会立即失效。 // Logan.Li
func Issue(db *gorm.DB, hostname, issuedBy string) (string, error) {
hostname = strings.TrimSpace(hostname)
@@ -47,11 +163,20 @@ func Issue(db *gorm.DB, hostname, issuedBy string) (string, error) {
if err != nil {
return "", err
}
// 轮换后必须让缓存失效,否则被缓存的旧 Token 还能继续通过校验。 // Logan.Li
invalidateCache()
return token, nil
}
// Authenticate 校验 Token 并返回绑定的主机名。 // Logan.Li
//
// 命中缓存时跳过 bcrypt 与凭证查询,只做一次可选节流的 last_used_at 更新;
// 未命中时才回落完整校验路径。 // Logan.Li
func Authenticate(db *gorm.DB, token string) (*model.AgentCredential, error) {
if credential, ok := lookupCache(db, token); ok {
return credential, nil
}
parts := strings.SplitN(token, ".", 2)
if len(parts) != 2 || !strings.HasPrefix(parts[0], "agt_") || parts[1] == "" {
return nil, fmt.Errorf("invalid agent token")
@@ -69,6 +194,9 @@ func Authenticate(db *gorm.DB, token string) (*model.AgentCredential, error) {
now := time.Now()
_ = db.Model(&credential).Update("last_used_at", now).Error
credential.LastUsedAt = &now
// 校验通过后写入缓存,后续请求直接命中。 // Logan.Li
storeCache(token, &credential)
return &credential, nil
}
+311
View File
@@ -0,0 +1,311 @@
// Package metricagg 指标分层滚动聚合。
//
// 目标:把高频原始采样(Redis ZSET)逐级降采样为多分辨率聚合行,落库供趋势查询。
//
// 层级(逐级降采样,每级只读上一级,避免每次从原始数据重算):
//
// raw(10s, Redis) --1min--> 1m --1h--> 1h --6h/24h--> 6h / 1d
//
// 调度(全部后台,替代原先依赖前端手动触发 POST /agent/aggregate):
// - fine 每 1 分钟:raw → 1m / 5m
// - mid 每 15 分钟:1m(DB) → 1h
// - coarse 每 1 小时:1h(DB) → 6h / 1d
//
// 幂等:依赖 monitor_metric_aggregates 的 uniq_metric_agg 唯一索引 + ON CONFLICT。 // Logan.Li
package metricagg
import (
"context"
"math"
"sort"
"strconv"
"time"
"ezops/model"
ezredis "ezops/pkg/redis"
"go.uber.org/zap"
"gorm.io/gorm"
"gorm.io/gorm/clause"
)
// metrics 需要聚合的指标清单(与 Agent 写入 Redis 的 key 保持一致)。 // Logan.Li
var metrics = []string{"cpu", "mem", "load1"}
const (
// rawKeyPrefix 与 controller.writeHotMetric 写入的 key 前缀保持一致。 // Logan.Li
rawKeyPrefix = "metrics:"
fineEvery = time.Minute
midEvery = 15 * time.Minute
coarseEvery = time.Hour
// 各级回看窗口:只需覆盖该级「刚闭合的桶 + 边界抖动」。 // Logan.Li
fineLookback = 3 * time.Hour
midLookback = 6 * time.Hour
coarseLookback = 8 * 24 * time.Hour
)
// fineIntervals / midIntervals / coarseIntervals 各级负责的聚合周期。 // Logan.Li
var (
fineIntervals = []interval{{"1m", time.Minute}, {"5m", 5 * time.Minute}}
midIntervals = []interval{{"1h", time.Hour}}
coarseIntervals = []interval{{"6h", 6 * time.Hour}, {"1d", 24 * time.Hour}}
)
type interval struct {
name string
d time.Duration
}
// Start 启动后台聚合调度,ctx 取消后退出。 // Logan.Li
func Start(ctx context.Context, db *gorm.DB, cache ezredis.Cache, log *zap.Logger) {
// 无 ZSet 能力(redka/local 模式)时不做 Redis 侧聚合。 // Logan.Li
if cache == nil || !cache.Capabilities().SortedSet {
log.Info("指标聚合未启用:当前缓存后端不支持有序集合")
return
}
go run(ctx, db, cache, log, fineEvery, "fine", func(c context.Context) {
rollupFromRaw(c, db, cache, log, fineIntervals, fineLookback)
})
go run(ctx, db, cache, log, midEvery, "mid", func(c context.Context) {
rollupFromDB(db, log, "1m", midIntervals, midLookback)
})
go run(ctx, db, cache, log, coarseEvery, "coarse", func(c context.Context) {
rollupFromDB(db, log, "1h", coarseIntervals, coarseLookback)
})
}
// run 周期性执行任务,起跑前先等一个周期,避免与启动期初始化抢资源。 // Logan.Li
func run(ctx context.Context, _ *gorm.DB, _ ezredis.Cache, log *zap.Logger, every time.Duration, name string, fn func(context.Context)) {
ticker := time.NewTicker(every)
defer ticker.Stop()
for {
select {
case <-ctx.Done():
return
case <-ticker.C:
start := time.Now()
fn(ctx)
log.Debug("指标聚合完成", zap.String("level", name), zap.Duration("cost", time.Since(start)))
}
}
}
// rollupFromRaw 从 Redis 原始采样聚合出细粒度桶。 // Logan.Li
func rollupFromRaw(ctx context.Context, db *gorm.DB, cache ezredis.Cache, log *zap.Logger, ivs []interval, lookback time.Duration) {
hosts := activeHosts(db)
if len(hosts) == 0 {
return
}
now := time.Now()
since := now.Add(-lookback)
for _, host := range hosts {
for _, metric := range metrics {
key := rawKeyPrefix + metric + ":" + host
members, err := cache.ZRangeByScore(ctx, key,
formatUnix(since), formatUnix(now.Add(time.Minute)))
if err != nil || len(members) == 0 {
continue
}
for _, iv := range ivs {
buckets := bucketizeMembers(members, iv.d)
if err := upsertBuckets(db, host, metric, iv.name, buckets); err != nil {
log.Warn("写入聚合桶失败", zap.String("host", host), zap.String("metric", metric), zap.Error(err))
}
}
}
}
}
// rollupFromDB 从上一级聚合行再聚合出粗粒度桶(逐级降采样)。 // Logan.Li
func rollupFromDB(db *gorm.DB, log *zap.Logger, sourceInterval string, ivs []interval, lookback time.Duration) {
hosts := activeHosts(db)
if len(hosts) == 0 {
return
}
since := time.Now().Add(-lookback)
for _, host := range hosts {
for _, metric := range metrics {
var rows []model.MetricsAggregate
if err := db.Where("hostname = ? AND metric = ? AND `interval` = ? AND bucket_time >= ?",
host, metric, sourceInterval, since).
Order("bucket_time ASC").Find(&rows).Error; err != nil || len(rows) == 0 {
continue
}
samples := make([]weightedSample, 0, len(rows))
for _, r := range rows {
samples = append(samples, weightedSample{ts: r.BucketTime, avg: r.Avg, count: r.Count})
}
for _, iv := range ivs {
buckets := bucketizeSamples(samples, iv.d)
if err := upsertBuckets(db, host, metric, iv.name, buckets); err != nil {
log.Warn("写入降采样桶失败", zap.String("host", host), zap.String("metric", metric), zap.Error(err))
}
}
}
}
}
// activeHosts 只聚合近期在线的 Agent 主机,避免对已下线主机做无用扫描。 // Logan.Li
func activeHosts(db *gorm.DB) []string {
var hosts []string
cutoff := time.Now().Add(-15 * time.Minute)
db.Model(&model.Server{}).
Where("agent_status = ? AND last_check_at >= ?", "online", cutoff).
Distinct().Pluck("hostname", &hosts)
return hosts
}
type bucketStats struct {
avg, maxV, minV, p95 float64
count int
}
type weightedSample struct {
ts time.Time
avg float64
count int
}
// bucketizeMembers 把原始采样按周期分桶。 // Logan.Li
func bucketizeMembers(members []ezredis.SortedSetMember, d time.Duration) map[time.Time][]float64 {
sec := int64(d.Seconds())
out := make(map[time.Time][]float64)
for _, m := range members {
ts := int64(m.Score)
start := (ts / sec) * sec
out[time.Unix(start, 0).UTC()] = append(out[time.Unix(start, 0).UTC()], parseValue(m.Member))
}
return out
}
// bucketizeSamples 把上一级聚合行按周期再聚合(用 count 加权,避免小样本被放大)。 // Logan.Li
func bucketizeSamples(samples []weightedSample, d time.Duration) map[time.Time][]float64 {
sec := int64(d.Seconds())
out := make(map[time.Time][]float64)
for _, s := range samples {
ts := s.ts.Unix()
start := (ts / sec) * sec
key := time.Unix(start, 0).UTC()
// 用 avg 重复 count 次近似还原样本分布,保证 max/min/p95 有意义。 // Logan.Li
n := s.count
if n < 1 {
n = 1
}
if n > 1000 {
n = 1000
}
for i := 0; i < n; i++ {
out[key] = append(out[key], s.avg)
}
}
return out
}
// upsertBuckets 幂等写入聚合行(依赖 uniq_metric_agg 唯一索引)。 // Logan.Li
func upsertBuckets(db *gorm.DB, host, metric, intervalName string, buckets map[time.Time][]float64) error {
for bucketTime, values := range buckets {
if len(values) == 0 {
continue
}
st := calcStats(values)
row := model.MetricsAggregate{
Hostname: host,
Metric: metric,
Interval: intervalName,
Avg: st.avg,
MaxV: st.maxV,
MinV: st.minV,
P95: st.p95,
Count: st.count,
BucketTime: bucketTime,
}
if err := db.Clauses(clause.OnConflict{
Columns: []clause.Column{
{Name: "hostname"}, {Name: "metric"}, {Name: "interval"}, {Name: "bucket_time"},
},
DoUpdates: clause.AssignmentColumns([]string{"avg", "max_v", "min_v", "p95", "count"}),
}).Create(&row).Error; err != nil {
return err
}
}
return nil
}
// calcStats 计算 avg / max / min / p95,结果保留两位小数。 // Logan.Li
func calcStats(values []float64) bucketStats {
sorted := make([]float64, len(values))
copy(sorted, values)
sort.Float64s(sorted)
var sum float64
for _, v := range sorted {
sum += v
}
avg := sum / float64(len(sorted))
p95 := sorted[int(math.Ceil(float64(len(sorted))*0.95))-1]
return bucketStats{
avg: round2(avg),
maxV: round2(sorted[len(sorted)-1]),
minV: round2(sorted[0]),
p95: round2(p95),
count: len(sorted),
}
}
func round2(v float64) float64 { return math.Round(v*100) / 100 }
// parseValue 从 "45.2300:1234567890123456789" 中取出数值部分。 // Logan.Li
func parseValue(member string) float64 {
for i := 0; i < len(member); i++ {
if member[i] == ':' {
return parseFloat(member[:i])
}
}
return parseFloat(member)
}
func parseFloat(s string) float64 {
var v float64
var frac, div float64 = 0, 1
neg := false
i := 0
if i < len(s) && (s[i] == '-' || s[i] == '+') {
neg = s[i] == '-'
i++
}
for ; i < len(s); i++ {
c := s[i]
if c == '.' {
i++
break
}
if c < '0' || c > '9' {
break
}
v = v*10 + float64(c-'0')
}
for ; i < len(s); i++ {
c := s[i]
if c < '0' || c > '9' {
break
}
frac = frac*10 + float64(c-'0')
div *= 10
}
v += frac / div
if neg {
v = -v
}
return v
}
func formatUnix(t time.Time) string {
// Redis ZSET score 为 Unix 秒;用整数文本作为 ZRANGEBYSCORE 的边界。 // Logan.Li
return strconv.FormatInt(t.Unix(), 10)
}