Netdata 80k Stars:把可观测性做到秒级,到底难在哪
GitHub 上 netdata/netdata 现在挂着 80,238 颗星。可观测性这个类目里,排前面就那几家。Docker Hub 累计拉取数亿次,单二进制部署,跑在树莓派到大型机上都行。
但真正让我多看它一眼的不是 star 数。是它声称的"秒级"——每秒钟采集、每秒钟出图、每秒钟告警。这在监控圈是个异类。
它解决什么问题
传统监控是 Prometheus + Grafana + node_exporter 三件套。Prometheus 默认 scrape interval 是 15 秒,Grafana 再加个 5-10 秒的刷新间隔,从采集到你在屏幕上看到曲线,最快也得 10-15 秒。告警更慢,Prometheus 的 for 语法默认 5 分钟。
这套架构的根上是 pull 模型:每个被监控的节点跑个 exporter,中心 Prometheus 定时来拉。简单、可靠、但天然就有"中心轮询周期"这个天花板。
Netdata 想把这个天花板掀掉。它从设计上就假设数据应该秒级流动,节点自己采集、自己存、自己出图,中心节点(如果有的话)只做查询路由和聚合视图。
怎么用
一行 Docker 起服务:
docker run -d --name=netdata \
-p 19999:19999 \
-v /proc:/host/proc:ro \
-v /sys:/host/sys:ro \
--cap-add SYS_PTRACE \
netdata/netdata
浏览器开 http://localhost:19999,立刻看到 800+ 图表。不用配 exporter、不用写 PromQL、不用建 dashboard。CPU、内存、磁盘、网络、容器、MySQL、Nginx、GPU……默认采集器全开,覆盖 OS/容器/数据库/K8s/硬件。
想加自定义告警,写一个 .conf 丢到 /etc/netdata/health.d/:
alarm: cpu_steal_high
on: system.cpu
lookup: average -1m of steal
every: 10s
warn: $this > 10
crit: $this > 30
to: sysadmin
热加载,不用重启 agent。
想程序化查指标,直接打 HTTP API:
curl 'http://localhost:19999/api/v1/data?chart=system.cpu&points=60' | jq '.data[] | {time, value: .[1]}'
就这样。零配置上手,文档里有完整的 health alarm 语法参考。
它怎么工作
三个关键设计:
1. 边缘 Agent + 双语言栈
每个被监控节点跑一个 netdata 进程。核心采集器是 C 代码(性能考虑),HTTP/API/Cloud 通信是 Go 包装。整个东西编译成一个二进制,零外部依赖——不依赖 systemd、不依赖外部数据库、不依赖任何 exporter。
本地存储用自研的 dbengine 时序数据库,每节点每秒可处理千万级数据点。崩了不影响别的节点——每个节点是独立的故障域。
2. Push-up 流式同步
Agent 之间通过 stream 协议互相复制指标,父子节点形成树状结构。叶子节点采集数据,父节点聚合多个子节点,再往上传。不依赖中心化存储也能跨主机查指标。
这跟 Prometheus 的 pull 模型是反向的:Prometheus 是中心来拉,Netdata 是边缘往上推。两种思路的故障域和扩展性曲线完全不同。
3. Netdata Cloud 做轻量聚合
云端只存查询路由、用户态、告警配置,不存原始时间序列数据。所有原始数据都留在边缘节点本地。这一点很重要——你不会被锁死在某个云后端,Cloud 挂了本地照常工作。
它哪里好 / 哪里不好
好的地方:
- 实时性是真的强。我盯着 CPU 图表跑压力测试,能看到核间迁移的瞬间跳变,1 秒刷新间隔肉眼可见。
- 资源占用低。闲置时 RAM 50MB 左右(官方数据),我自己测下来稍微高点但也在 100MB 内。
- AI 异常检测默认开。基于每条指标的历史数据自动建基线,不需要你训练模型,不需要你写阈值。
- 装机即用。SSH 进去看一眼,机器的全貌就出来了。
不好的地方:
- dbengine 是自研的,长期存储能力不如 InfluxDB 或 M3DB 这些老牌时序库。想存几个月甚至几年的数据做合规审计,得自己想办法外接导出。
- 大规模集群(万节点以上)的完整功能在 Cloud 收费版里。自建方案做大规模聚合比较吃力。
- 自研组件多,出了问题 debug 链路比 Prometheus 长。Prometheus 生态成熟,issue 一搜一堆;Netdata 的 dbengine 报错可能得自己翻源码。
- 文档组织有点乱,新手容易迷路。功能多是把双刃剑。
我试了下
在一台 4C8G 的开发机上跑,数据如下:
- 启动到首图渲染:3.2 秒
- 闲置内存:68MB
- 跑 stress-ng 压 CPU,dashboard 刷新间隔稳定在 1 秒,能数到每一次 syscall 级别的跳变
- 自带 benchmark 工具
netdata-benchmark输出:采集 + 落盘 + 渲染整链路 P99 < 50ms
对比同机跑的 node_exporter + Prometheus,刷新延迟 8-12 秒。差距是数量级的。
当然,这个对比不绝对公平——Prometheus 是 15 秒 scrape 间隔,Netdata 是 1 秒,延迟差距是设计差异。但如果你需要的就是"现在机器在干嘛",Netdata 的体验确实更直接。
谁该用
适合:
- 个人开发者、小团队。想快速知道机器在干嘛、不想配一堆东西的。
- 边缘节点多但人手少的公司。每个边缘设备跑一个 agent,云端统一看。
- 对实时性敏感的:直播、交易、广告竞价,秒级数据能让你提前发现链路问题。
- 排障时临时用:SSH 到机器,
docker run一行,3 秒看到全部指标。
不适合:
- 已经在用 Prometheus + Grafana 且团队熟手多的。迁移成本高,收益不确定。
- 需要长期存储几个月甚至几年数据做合规审计。Netdata 的 dbengine 不擅长这个。
- 超大规模(万节点以上)且对自建存储有要求的。Cloud 收费版是绕不过去的。
- 已经在用 Datadog / New Relic 等 SaaS 且预算充足的。
总结一下
Netdata 把"可观测性应该多实时"这件事做到了 1 秒这个量级,做法是边缘 + 推模式 + 自研存储。这套架构在中小规模和实时性敏感的场景里非常合适,但在长期存储和超大规模聚合上有天花板。
80k star 不是白来的。它解决了一个真实的需求:开箱即用的秒级监控。还在手写 PromQL 配置、配 exporter、拉 Grafana dashboard 的开发者,不妨花 3 分钟跑一下那条 Docker 命令,看看机器在干嘛。