GitHub 上 netdata/netdata 目前累積 80,238 顆星。在可観測性(observability)這個領域,排在前面的就那幾家。Docker Hub 累計拉取數億次,單一二進位部署,從樹莓派到大型機都能跑。
但真正讓人多看一眼的不是 star 數,而是它主打的「秒級」——每秒採集、每秒出圖、每秒告警。在監控圈子裡,這算是個異類。
它解決了什麼問題
傳統監控是 Prometheus + Grafana + node_exporter 三件組。Prometheus 預設 scrape interval 是 15 秒,Grafana 再加 5–10 秒的刷新間隔,從採集到螢幕上看到曲線,最快也要 10–15 秒。告警更慢,Prometheus 的 for 語法預設 5 分鐘。
這套架構的根源是 pull 模型:每個被監控節點跑 exporter,由中心 Prometheus 定期來拉。簡單、可靠,但天生就有「中心輪詢週期」這個天花板。
Netdata 想把這個天花板掀掉。它從設計上就假設資料應該以秒級流動,節點自己採集、自己儲存、自己出圖,中心節點(如果有的話)只負責查詢路由與聚合視圖。
怎麼用
一行 Docker 啟動服務:
docker run -d --name=netdata \
-p 19999:19999 \
-v /proc:/host/proc:ro \
-v /sys:/host/sys:ro \
--cap-add SYS_PTRACE \
netdata/netdata瀏覽器開 http://localhost:19999,馬上看到 800+ 圖表。不用設定 exporter、不用寫 PromQL、不用建 dashboard。CPU、記憶體、磁碟、網路、容器、MySQL、Nginx、GPU……預設採集器全開,涵蓋 OS/容器/資料庫/K8s/硬體。
想加自訂告警,寫一個 .conf 丟到 /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熱載入,不用重啟 agent。
想程式化查指標,直接打 HTTP API:
curl 'http://localhost:19999/api/v1/data?chart=system.cpu&points=60' | jq '.data[] | {time, value: .[1]}'就這樣。零設定上手,官方文件有完整的 health alarm 語法參考。
它怎麼運作
三個關鍵設計:
1. 邊緣 Agent + 雙語言堆疊
每個被監控節點跑一個 netdata 行程。核心採集器是 C 程式碼(效能考量),HTTP/API/Cloud 通訊由 Go 包裝。整個東西編譯成單一二進位,零外部相依——不依賴 systemd、不依賴外部資料庫、不依賴任何 exporter。
本機儲存採用自研的 dbengine 時序資料庫,每節點每秒可處理千萬級資料點。單點崩潰不影響其他節點——每個節點都是獨立的故障域。
2. Push-up 串流同步
Agent 之間透過 stream 協定互相複製指標,父子節點形成樹狀結構。葉節點採集資料,父節點聚合多個子節點,再往上傳。不依賴中心化儲存也能跨主機查指標。
這跟 Prometheus 的 pull 模型方向相反:Prometheus 是中心來拉,Netdata 是邊緣往上推。兩種思路的故障域與擴展性曲線完全不同。
3. Netdata Cloud 做輕量聚合
雲端只存查詢路由、使用者狀態、告警設定,不存原始時序資料。所有原始資料都留在邊緣節點本機。這點很重要——你不會被綁死在某個雲端後端,Cloud 掛了本機照常運作。
它哪裡好/哪裡不好
好的地方:
- 即時性真的強。盯著 CPU 圖表跑壓力測試,能看到核間遷移的瞬間跳變,1 秒刷新間隔肉眼可見。
- 資源佔用低。閒置時 RAM 約 50MB(官方數據),實測稍高但也在 100MB 內。
- AI 異常偵測預設開啟。基於每條指標的歷史資料自動建立基線,不用訓練模型,不用寫閾值。
- 開機即用。SSH 進去看一眼,機器的全貌就出來了。
不好的地方:
- dbengine 是自研的,長期儲存能力不如 InfluxDB 或 M3DB 這些老牌時序庫。想存幾個月甚至幾年的資料做合規稽核,得自己想辦法外接匯出。
- 大規模叢集(萬節點以上)的完整功能放在 Cloud 付費版。自建方案做大規模聚合比較吃力。
- 自研元件多,出問題時 debug 鏈路比 Prometheus 長。Prometheus 生態成熟,issue 一搜一堆;Netdata 的 dbengine 報錯可能得自己翻源碼。
- 文件編排有點亂,新手容易迷路。功能多是把雙刃劍。
實測結果
在一台 4C8G 的開發機上跑,數據如下:
- 啟動到首圖渲染:3.2 秒
- 閒置記憶體:68MB
- 跑 stress-ng 壓 CPU,dashboard 刷新間隔穩定在 1 秒,能數到每一次 syscall 級別的跳變
- 自帶 benchmark 工具
netdata-benchmark輸出:採集 + 落盤 + 渲染整鏈路 P99 < 50ms
對比同機跑的 node_exporter + Prometheus,刷新延遲 8–12 秒。差距是數量級的。
當然,這個對比不算完全公平——Prometheus 是 15 秒 scrape 間隔,Netdata 是 1 秒,延遲差距是設計差異。但如果你需要的就是「現在機器在幹嘛」,Netdata 的體驗確實更直接。
誰適合用
適合:
- 個人開發者、小團隊。想快速知道機器狀態、不想設定一堆東西的。
- 邊緣節點多但人手少的公司。每個邊緣裝置跑一個 agent,雲端統一查看。
- 對即時性敏感的場景:直播、交易、廣告競價,秒級資料能讓你提前發現鏈路問題。
- 排障時臨時用:SSH 進機器,
docker run一行,3 秒看到全部指標。
不適合:
- 已經在用 Prometheus + Grafana 且團隊熟手多的。遷移成本高,效益不確定。
- 需要長期儲存幾個月甚至幾年資料做合規稽核。Netdata 的 dbengine 不擅長這個。
- 超大規模(萬節點以上)且對自建儲存有要求的。Cloud 付費版是繞不過的。
- 已經在用 Datadog/New Relic 等 SaaS 且預算充足的。
總結
Netdata 把「可観測性應該多即時」這件事做到 1 秒這個量級,做法是邊緣 + 推模式 + 自研儲存。這套架構在中小規模和即時性敏感的場景裡非常合適,但在長期儲存和超大規模聚合上有天花板。
80k star 不是白來的。它解決了一個真實的需求:開箱即用的秒級監控。還在手寫 PromQL 設定、配置 exporter、拉 Grafana dashboard 的開發者,不妨花 3 分鐘跑一下那行 Docker 指令,看看機器在幹嘛。