这是存档文档v9.0．去最新版本．

仪表板管理成熟度模型

仪表板管理成熟度指的是你的仪表盘生态系统设计得有多好，效率有多高。我们建议定期检查您的仪表板设置，以评估您的情况以及如何改进。

一般来说，仪表板成熟度可以定义为低、中或高。

本主题的大部分内容来自KubeCon 2019演讲防傻瓜Kubernetes仪表盘睡眠不足来电．

低默认状态

在这个阶段，您还没有一致的仪表板管理策略。几乎所有人都是从这里开始的。

你怎么知道你在这里?

• 每个人都可以修改自己的仪表板。
• 大量复制的仪表板，很少或没有仪表板重用。
• 一次性的仪表盘会永远挂在那里。
• 没有版本控制(版本控制中的仪表板JSON)。
• 大量浏览仪表板，寻找正确的仪表板。这意味着要浪费大量时间寻找所需的仪表板。
• 没有任何提醒来引导您到正确的仪表盘。

中等-有条理的仪表盘

在这个阶段，您将开始使用系统的仪表板管理您的仪表板使用。你可能已经制定了一个策略，但还有一些地方你可以改进。

你怎么知道你在这里?

• 通过使用模板变量防止蔓延。例如，您不需要为每个节点设置单独的仪表板，您可以使用查询变量。更好的是，您还可以将数据源设置为模板变量，这样您就可以跨不同的集群重用相同的指示板并监视后端。

  参考清单变量的例子如果你想知道些什么。

• 系统的仪表盘根据可观测性策略．

• 具有下钻到下一层的层次化仪表盘。

  

• 仪表板设计反映了服务层次结构。下面显示的示例使用RED方法(左边是请求和错误率，右边是延迟时间)，每个服务一行。行顺序反映数据流。

  

• 比较同类:当大小不同时拆分服务仪表板。确保聚合指标不会淹没重要信息。

• 使用有意义的颜色和标准化轴来表达图表。

  • 有意义的颜色的例子:蓝色意味着好，红色意味着坏。阈值我能帮上忙。
  • 标准化轴的示例:在比较CPU使用情况时，使用百分比而不是原始数字来度量，因为计算机可能具有不同数量的核。通过内核数量规范化CPU使用可以减少认知负载，因为查看者可以相信所有内核都在被使用，而不必知道CPU的数量。

• 定向浏览减少了“猜测”。

  • 模板变量使随机或无目的地“只是浏览”变得更加困难。
  • 大多数仪表板应该通过警报链接。
  • 浏览是由链接引导的。有关更多信息，请参见管理仪表板链接．

• 版本控制的仪表板JSON。

高度优化的使用

在此阶段，您已经使用一致且深思熟虑的策略优化了仪表板管理的使用。它需要维护，但结果是值得的。

• 积极减少扩张。
  • 定期检查现有的仪表板，以确保它们仍然是相关的。
  • 只将经过批准的仪表盘添加到主仪表盘列表中。
  • 跟踪仪表板的使用情况。如果您是企业用户，您可以利用使用的见解．
• 一致性的设计。
• 使用脚本库生成仪表板，确保模式和样式的一致性。
  • grafonnet (Jsonnet)
  • grafanalib (Python)
• 不需要在浏览器中进行编辑。仪表板查看器通过变量改变视图。
• 浏览仪表板是例外，而不是规则。
• 在专门用于该目的的单独Grafana实例中执行实验和测试，而不是在您的生产实例中。当测试环境中的指示板被证明有用时，将该指示板添加到您的主Grafana实例中。