====== end2end monitoring ======
===== Úvod =====
Na základě zkušeností s zaváděním //eduroam//u jsme dospěli k závěru,
že monitoring postavený jen na kontrole stavu jednotlivých RADIUS
serverů není dostatečný. Docházelo totiž k případům, kdy chyba v
konfiguraci na některé z organizaci vedla k tomu, že se návštěvníci
nemohli získat přístup k síti ale monitoring nás na toto neupozornil
předem.
Ideální by asi bylo mít možnost instalovat do každé připojené
instituce počítač s WiFi kartou a příslušným softwarovým vybavením. To
by ale bylo dosti nákladné a administrativně jen velmi obtížně
realizovatelné.
CESNETem implementované řešení používá k monitorování jediný k tomuto
účelu vyhrazený počítač. Tento počítač je nezávislý na //eduroam//
infrastruktuře a s jednotlivými RADIUS servery organizací zapojenými
do //eduroam//u komunikuje přímo. Počítač, na kterém je monitoring
provozován, vystupuje v podstatě v roli dalšího Access Pointu. Proto je
nutné, aby měl přístup k RADIUS serveru organizace, který se běžně
stará o vyřizování dotazů z AP.
Díky přímému přístupu ke koncovým RADIUS serverům a faktu, že pro
testování se používají testovací účty všech zapojených institucí, se
jedná o testování každého s každým, tedy o end2end monitoring. Výhodou
tohoto monitoringu je kromě získání informací, kde mohou mít
návštěvníci z některých institucí problém s přístupem, také to, že
nezohledňuje transport dotazů mezi RADIUS serverem hostitelské a
domácí instituce. Díky tomu bude tento monitoring použitelný i v
případě, že v budoucnu dojde k vyřazení proxy serverů a komunikace
mezi zapojenými institucemi bude probíhat přímo.
===== Zátěž generovaná monitoringem =====
{{ :cs:spravce:monitoring:end2end_monitoring:maluvka-pro-vypocet-zateze-monitoringu.png?250|Náčrtek situace s pohledu monitoringu}}
Nevýhodou tohoto způsobu monitorování je, že systém generuje podstatně
vyšší zátěž než jak tomu bylo v minulosti. Zátěž se pochopitelně
agreguje na proxy serverech, ale i koncové RADIUS servery organizací
musí vyřídit nemalé množství dotazů.
Na obrázku je znázorněna situace z pohledu monitoringu. Pro monitoring
není podstatné, že komunikace je realizována prostřednictvím NREN
proxy RADIUS serverů. Také není moc podstatné, že některé instituce
mají dva RADIUS servery a jiné jen jeden. Hrubě řečeno - monitorující
systém má k dispozici seznam serverů a seznam testovacích účtů,
testuje každý s každým a nic víc nepotřebuje.
To, že pro monitoring není podstatná znalost zapojení infrastruktury, je
zjednodušení, které je přínosné pro výpočet generované
zátěže. Implementovaný monitoring pochopitelně bere ohled na zapojení
infrastruktury. Ve výpočtu zohledňuji pouze fakt, že dotaz s funkčním
testovacím účtem stojí podstatně méně zdrojů, než dotaz s testovacím
účtem, jehož domácí RADIUS server neodpovídá. To je dáno tím, že
monitoring musí dlouho čekat než vyprší timeouty a RADIUS servery po
cestě musí zkoušet opakovat dotazy na protějšek, který neodpovídá.
==== Odvození teoretické zátěže ====
|**RS** |Počet monitorovaných RADIUS serverů. |
|**TA** |Počet testovacích účtů (test account). |
|**Ng** |Frekvence testování návštěv (guest). |
|**Nl** |Frekvence testování lokálním účtem. |
| ||
|**Qm=Ng*(TA-1)+Nl** |Počet dotazů, které monitoring pošle přímo RADIUS serveru. |
|**Qt=Ng*(TA-1)+Nl+Ng(RS-1)** |Celkový počet dotazů, které musí vyřídit RADIUS server organizace. Z toho **Nl+Ng(RS-1)** dotazů musí odbavit lokální AAI.|
|**Qt=Ng*(TA+RS-2)+Nl**| Celkový počet dotazů, které musí vyřídit RADIUS server organizace.|
|**Qnren=RS*Ng(TA-1)**| Počet dotazů, které musí zpracovat NREN RADIUS servery.|
==== Vypočtená teoretická zátěž ====
Zátěž celé infrastruktury závisí na počtu zapojených organizací
**TA**, počet RADIUS serverů je odvozen od počtu testovacích účtů:
**RS=1.5*TA**. **Ng=2**, **Nl=12**. V časovém
intervalu 1 hodiny se cizí účty testují 2x a vlastní
(lokální) každých 5min. Po dosazení jsem dostal tato čísla:
| ^ **TA=20, RS=30** ^^ **TA=50, RS=75** ^^ **TA=500, RS=750** ^^ **TA=2000, RS=3000** ^^
^server organizace | 108| 0,03| 258| 0,07| 2 508| 0,70| 10 008| 2,78|
^NREN servery | 1 140| 0,32| 7 350| 2,04| 748 500| 207,92| 11 994 000| 3 331,67|
Čísla v prvním sloupci představují absolutní počet vyřízených dotazů
za hodinu, hodnota v druhém sloupci je přepočtena na vteřinu. Je třeba
mít na paměti, že množství paketů bude o jeden řád vyšší. V tabulce
jsou uvedeny EAP dotazy, což např. v případě PEAP-MSCHAPv2 znamená 10
RADIUS paketů na vyřízení. Chcete-li si s výpočty pohrát, je k
{{:cs:spravce:monitoring:end2end_monitoring:vypocet-zateze-radius-serveru.ods|dispozici
OpenOffice Calc Sheet}}, který jsem použil.
Z čísel je tedy vidět, že pro koncové servery není monitoring žádným
rizikem, problémy se objeví mnohem dříve na NREN RADIUS
serverech. Reálné výkonnostní parametry v tento okamžik nemám k
dispozici, ale očekávám, že systém je schopen vyřídit alespoň 1000
paketů za vteřinu.
Výše uvedené má zásadní podmínku v tom, že testování musí být v čase
rovnoměrně rozprostřeno. To se zhruba daří splnit, jak ukazují
[[https://ermon.cesnet.cz/HotSaNIC/apps/rad_eap_test.html|grafy
počtu]] testovacích procesů. Další informace o
[[:cs:spravce:monitoring:uvod|monitoringu]]
jsou k dispozici v samostatném článku.
===== Služby monitorované na serverech připojených organizací =====
{{:cs:spravce:monitoring:sluzby_monitorovane_na_serveru.png?200|Služby monitorované na serveru organizace}}
Na každém serveru organizace je monitorována řada služeb. Jejich
význam, závislosti na ostatních službách dalších serverů a vzájemné
závislosti jsou popsány dále. Na připojeném obrázku můžete vidět, jak
icinga tyto služby vizualizuje.
=== Čas poslední kontroly ===
Při rozkliknutí konkrétní služby se dostaneme na detailní informace.
Last check Udává, kdy naposledy byla služba kontrolována. Pokud služba nemá
splněnu některou ze závislostí, tak vůbec nejsou spouštěny její
testy. Například když není povolen přístup pro ping z monitorovacího
systému, tak se netestují žádné služby, ale icinga stále zobrazuje
poslední známý stav služby.
=== Historie ===
V záložce History v detailu služby je zobrazena kompletní historie stavů služby včetně poslední změny stavu.
Z poslední změny stavu lze odvodit, jak dlouho je daná služba v současném stavu.
==== PING ====
* testuje se odpověď na ICMP echo request
* CRITICAL-HARD stav nastává po **10**ti pokusech, tj. max po 5+9*1=**14 minutách** od výpadku
* normální perioda testování je **5 minut**
* v případě výpadku se testuje každou **1 minutu**
* notifikace se posílají
==== IPSEC ====
* tato služba je testována jen na RADIUS serverech, které tvoří infrastrukturu a jsou připojeny pomocí IPSEC, není k dispozici u serverů sloužících jen pro monitoring
* testuje se odpověď na ICMP echo request skrz IPSEC tunel
* test se spouští vzdáleně na radius1.eduroam.cz
* závisí na:
* **PING**
* CRITICAL-HARD stav nastává po **10**ti pokusech, tj. max po 5+9*1=**14 minutách** od výpadku
* normální perioda testování je **5 minut**
* v případě výpadku se testuje každou **1 minutu**
* notifikace se posílají
==== RADSEC ====
* tato služba je testována jen na RADIUS serverech, které tvoří infrastrukturu a jsou připojeny pomocí RADSEC, není k dispozici u serverů sloužících jen pro monitoring
* testuje zda jsou navázána RADSEC spojení oběma směry
* test se spouští vzdáleně na radius1.eduroam.cz
* závisí na:
* **PING**
* CRITICAL-HARD stav nastává po **10**ti pokusech, tj. max po 5+9*1=**14 minutách** od výpadku
* normální perioda testování je **5 minut**
* v případě výpadku se testuje každou **1 minutu**
* notifikace se posílají
==== BIG-PACKET ====
* test přenosu fragmentovaných UDP paketů
* závisí na navázaném spojení na národní RADIUS server (**IPSEC** nebo **RADSEC**)
* závisí na **HOME-REALM-ALIVE** na radius1.cesnet.cz
* test se provádí pomocí [[https://github.com/CESNET/rad_eap_test/blob/master/rad_eap_test|rad_eap_test]] s parametrem ''-f'' který zajistí že Access-Request je větší než 1500B, tj. k fragmentaci UDP paketu. Navíc se testuje s účtem big-test@cesnet.cz s velkým Access-Acceptem který opět zajistí fragmentaci UDP paketu.
* CRITICAL/WARNING-HARD nastává po **3** neúspěných pokusech
* normální perioda testování je **24 hodin**
* v případě výpadku se testuje každé **12 hodin**
* notifikace se posílají
==== VCELKA-MAJA ====
* test přeposílání vnitřní EAP identity, více viz [[
https://random.cesnet.cz/mailman/private/eduroam-admin/2008-February/000624.html|email v eduroam-admin listu]], [[ http://archiv.cesnet.cz/doc/techzpravy/2008/incorrect-eap-termination-in-eduroam/|technická zpráva]]
* závisí na **domácím realmu**
* CRITICAL-HARD nastává po **3** neúspěných pokusech
* normální perioda testování je **24 hodin**
* v případě výpadku se testuje každé **12 hodin**
* notifikace se posílají
==== COVERAGE-INFO ====
* test dostupnosti informací o pokrytí
* CRITICAL/WARNING-HARD nastává po **3** neúspěných pokusech
* normální perioda testování je **24 hodin**
* v případě výpadku se testuje každé **3 hodiny**
* notifikace se posílají
==== domácí realm ====
* domácí realm je ten, pro který je server koncovým
* domácích realmů může být na jednom serveru definováno několik
* služba má dynamické jméno ve tvaru @realm
* tento test kontroluje, jestli je schopen server autentizovat uživatele domácího realmu
* závisí na **PING**
* CRITICAL-HARD stav nastává po **3** pokusech, tj. max po 5+10*(3-1)=**25 minutách** od výpadku
* normální perioda testování je **5 minut**
* v případě výpadku se testuje každých **10 minut**
* notifikace se posílají
==== realmy ostatních organizací ====
* tento test simuluje návštěvu uživatele z cizí organizace
* služba má dynamické jméno ve tvaru @realm
* závisí na:
* **domácí realm**, tj. jestli na serveru funguje RADIUS (pokud je na serveru více domácích realmů, závisí na všech zároveň)
* **domácí server testovaného realmu/testovaný realm**, tj. jestli domácímu serveru příslušnému k tomuto realmu funguje RADIUS
* CRITICAL-HARD stav nastává po **3** pokusech, tj. max po 6+4*(3-1)=** 14 hodinách ** od výpadku
* normální perioda testování je **6 hodin**
* v případě výpadku se testuje každé **4 hodiny**
* notifikace se **ne**posílají
==== CALLING-STATION-ID ====
* test že SP posílá vyplněný RADIUS atribut Calling-Station-Id
* test je implementován na základě dat z logů národního RADIUS serveru, podklady pro sondu se **aktualizují jednou za hodinu**
* CRITICAL/WARNING-HARD nastává po **3** neúspěných pokusech
* normální perioda testování je **24 hodin**
* v případě výpadku se testuje každých **12 hodin**
* notifikace se posílají
==== OPERATOR-NAME ====
* test že SP posílá vyplněný RADIUS atribut Operator-Name, testuje se existence a syntaktická správnost
* test je implementován na základě dat z logů národního RADIUS serveru, podklady pro sondu se aktualizují **jednou za hodinu**
* CRITICAL/WARNING-HARD nastává po **3** neúspěných pokusech
* normální perioda testování je **24 hodin**
* v případě výpadku se testuje každých **12 hodin**
* notifikace se **ne**posílají
==== CHARGEABLE-USER-IDENTITY ====
* test že SP posílá vyplněný RADIUS atribut Chargeable-User-Idenity
* CRITICAL/WARNING-HARD nastává po **3** neúspěných pokusech
* normální perioda testování je **24 hodin**
* v případě výpadku se testuje každé **3 hodiny**
* notifikace se **ne**posílají
==== FAKE-UID ====
* Test že IdP vynucuje shodu vnější a vnitřní identity. Jako vnější (anonymní) identita se použije anonXXX@realm.cz a jako vnitřní pak testovací účet organizace. IdP takový požadavek na ověření nesmí vyhodnotit pozitivně. IdP které nepodporuje Chargeable-User-Identity nesmí povolit žádnou anonymní identitu (tj. ani anonymous@realm.cz), viz [[https://www.eduroam.cz/cs/roamingova_politika|Technické požadavky a doporučení pro členy federace eduroam.cz]].
* [[https://random.cesnet.cz/mailman/private/eduroam-admin/2016-November/001141.html|více informací]]
* řešení: [[https://www.eduroam.cz/cs/spravce/pripojovani/radius/freeradius2#kontrola_shody_vnejsi_a_vnitrni_eap_identity|FreeRADIUS v2]], [[https://www.eduroam.cz/cs/spravce/pripojovani/radius/freeradius3#kontrola_shody_vnejsi_a_vnitrni_eap_identity|FreeRADIUS v3]]
* CRITICAL/WARNING-HARD nastává po **3** neúspěných pokusech
* normální perioda testování je **24 hodin**
* v případě výpadku se testuje každé **3 hodiny**
* notifikace se posílají
==== COMPROMISED-USERS ====
* test je popsán na stránce systému [[https://www.eduroam.cz/cs/spravce/etlog#test_compromised-users|etlog]]
==== CONCURRENT-INST ====
* test je popsán na stránce systému [[https://www.eduroam.cz/cs/spravce/etlog#test_concurrent-inst|etlog]]
==== CVE-2017-9148 ====
* test že RADIUS server správně pracuje s obnovením sezení v PEAP a TTLS
* CRITICAL/WARNING-HARD nastává po **3** neúspěných pokusech
* normální perioda testování je **48 hodin**
* v případě výpadku se testuje každé **3 hodiny**
* notifikace se posílají
==== HOME-REALM-ALIVE ====
* test zda je realm "naživu" alespoň na nekterém z domácích serverů
* notifikace se **ne**posílají
==== VISITORS ====
* test agregovaných návštěvnických realmů
* měl by poskytnout správcům přehled o tom, zda nemají návštěvníci problém s ověřováním
* stav je OK, pokud je více než 80 % uživatelů návštěvnických realmů úšpěšně ověřováno
* test je WARNING, pokud je alespoň více než 70 % uživatelů návštěvnických realmů úšpěšně ověřováno
* v ostatních případech je stav CRITICAL
* závisí na domácím realmu
* CRITICAL/WARNING-HARD nastává po **3** neúspěných pokusech
* normální perioda testování je **3 hodiny**
* v případě výpadku se testuje každé **2 hodiny**
* notifikace se posílají
==== CAT ====
* test přítomnosti organizace v eduroam CAT //(přítomnost se konroluje na základě shody anglického názvu na pokryti.eduroam.cz a názvu v eduroam CAT)//
* stav je OK, pokud je organizace registrována v eduroam CAT, má vyplněný profil a je možné stáhnout instalátory
* pokud je detekován nějaký problém s profilem instituce je stav WARNING
* v ostatních případech je stav CRITICAL
* notifikace se neposílají
==== EAP-CERTIFICATE ====
* test certifikátu EAP serveru
* pokud je organizace registrována v systému eduroam CAT, provádí se validace certifitikátu proti zadané certifikační autoritě a validují se zadaná DNS jména EAP serverů
* interval kontroly je stanoven na 2 hodiny
* CRITICAL-HARD stav nastává po **3** pokusech
* informace o změně certifikátu je udržována 1 den od detekce tohoto stavu
* stav je OK, nejsou detekovány žádné problémy s odesílaným certifikátem serveru (platnost, neshodny s CA, nesprávné DNS jméno ...)
* stav je CRITICAL pokud vypršela platnost certifikátu (nebo CA z CATu) nebo nebylo možné certifikát získat
* pokud je detekován nějaký jiný problém, je stav WARNING
* notifikace se neposílají
===== Skupiny služeb a serverů =====
Pro snazší orientaci ve značném množství serverů a služeb jsou
definovány skupiny, které slučují související objekty a usnadňují
navigaci.
==== Skupiny serverů ====
Servery jsou seskupeny podle realmu registrovaného v administrativní aplikaci.
==== Skupiny služeb ====
Služby jsou seskupeny podle svého názvu.