cs:spravce:monitoring:end2end_monitoring

end2end monitoring

Úvod

Na základě zkušeností s zaváděním eduroamu 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 eduroamu 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

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 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 grafy počtu testovacích procesů. Další informace o monitoringu jsou k dispozici v samostatném článku.

Služby monitorované na serverech připojených organizací

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 Nagios tyto služby vizualizuje.

Ikona přeškrtlé trumpetky

Naznačuje, u kterých služeb se neposílá notifikace.

Sloupec "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 Nagios stále zobrazuje poslední známý stav služby.

Sloupec "Duration"

Udává, jak dlouho setrvává služba v HARD stavu. Například služba IPSEC měla poslední zaznamenaný výpadek před 18hodinami. To ale ještě neznamená, že došlo k notifikaci o výpadku. Detailnější informace jsou k dispozici po kliknutí na jméno služby a následně na "View Availability Report For This Service".

PING

  • testuje se odpověď na ICMP echo request
  • závisí na gw/PING
  • CRITICAL-HARD stav nastává po 10ti 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 správcům serveru a správcům eduroam.cz

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 přes vzdálené volání pomocí nrpe na radius1.eduroam.cz
  • závisí na:
    • PING
    • radius1.eduroam.cz/PING
    • radius1.eduroam.cz/RACOON
  • CRITICAL-HARD stav nastává po 10ti 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 správcům serveru a správcům eduroam.cz

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 přes vzdálené volání pomocí nrpe na radius1.eduroam.cz
  • závisí na:
    • PING
    • radius1.eduroam.cz/PING
  • CRITICAL-HARD stav nastává po 10ti 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 správcům serveru a správcům eduroam.cz

BIG-PACKET

  • test přenosu fragmentovaných UDP paketů
  • závisí na domácím realmu
  • test se provádí s účtem big-packet@cesnet.cz což je specielní účet s velkým Access-Acceptem. Pokud testovaný server zvládne tento paket doručit na ermon, tak to znamená že je schopen přijmnout (z národního RADIUSu) ale i odeslat (na ermon) fragmentový UDP paket.
  • CRITICAL/WARNIG-HARD nastává po 3 neúspěných pokusech
    • normální perioda testování je 24 hodin
    • v případě výpadku se testuje každé 12 hodin
    • notifikace se posílají pro CRITICAL (timeout) a WARNING (access-reject) stavy

VCELKA-MAJA

  • test přeposílání vnitřní EAP identity, více viz email v eduroam-admin listu, 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 pro CRITICAL (timeout) a WARNING (access-reject) stavy

INSTITUTION-XML

  • test existence souboru institution.xml
  • URL souboru institution.xml se bere z definice realmu organizace v CESNET CAAS, testuje se na existenci stringu inst_realm ve staženém dokumentu
  • CRITICAL/WARNIG-HARD nastává po 3 neúspěných pokusech
    • normální perioda testování je 24 hodin
    • v případě výpadku se testuje každé 3 hodiny
    • notifikace se posílají 1x za 2 dny pro CRITICAL stav

domácí realm

  • domácí realm je ten, pro který je server koncovým
  • domácích realmů může být na jednom serveru definováno několik
  • tento test testuje, jestli na serveru funguje RADIUS server
  • 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 správcům serveru, správcům realmu a správcům eduroam.cz

realmy ostatních organizací

  • tento test simuluje návštěvu uživatele z cizí organizace
  • závisí na:
    • PING, tj. jestli je server živý
    • IPSEC, tj. jestli má server živé spojení alespoň s jedním RADIUS serverem. Tato podmínka se uplaťnuje, jen když tento server tvoří eduroam.cz infrastrukturu.
    • domácí realm, tj. jestli na serveru funguje RADIUS
    • 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 180+120*(3-1)=420 minutách = 7 hodinách od výpadku
    • normální perioda testování je 180 minut
    • v případě výpadku se testuje každých 120 minut
    • notifikace se neposílají

CALLING-STATION-ID

  • test že SP posílá vyplněný RADIUS atribut Calling-Station-Id
  • týká se pouze serverů, které jsou napojeny na národni RADIUS přímo
  • test je implementován na základě dat z logů národního RADIUS serveru, podklady pro sondu se aktualizují jednou za hodinu
  • CRITICAL/WARNIG-HARD nastává po 3 neúspěných pokusech
    • normální perioda testování je 24 hodin
    • v případě výpadku se testuje každé 3 hodiny
    • notifikace se neposílají 1x za 2 dny pro CRITICAL stav

OPERATOR-NAME

  • test že SP posílá vyplněný RADIUS atribut Operator-Name, testuje se existence a syntaktická správnost
  • týká se pouze serverů, které jsou napojeny na národni RADIUS přímo
  • test je implementován na základě dat z logů národního RADIUS serveru, podklady pro sondu se aktualizují jednou za hodinu
  • CRITICAL/WARNIG-HARD nastává po 3 neúspěných pokusech
    • normální perioda testování je 24 hodin
    • v případě výpadku se testuje každé 3 hodiny
    • notifikace se neposílají 1x za 2 dny pro CRITICAL stav

CHARGEABLE-USER-IDENTITY

  • test že SP posílá vyplněný RADIUS atribut Chargeable-User-Idenity
  • test probíhá z CESNETích RADIUS serverů pomocí testovacího účtu organizace
  • CRITICAL/WARNIG-HARD nastává po 3 neúspěných pokusech
    • normální perioda testování je 24 hodin
    • v případě výpadku se testuje každé 3 hodiny
    • notifikace se neposílají 1x za 2 dny pro CRITICAL stav

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 Technické požadavky a doporučení pro členy federace eduroam.cz.
  • test probíhá z ermona
  • CRITICAL/WARNIG-HARD nastává po 3 neúspěných pokusech
    • normální perioda testování je 24 hodin
    • v případě výpadku se testuje každé 3 hodiny
    • notifikace se posílají 1x za 2 dny pro CRITICAL stav

Agregované neboli virtuální servery

Služby monitorované na agregovaném serveru

Jestliže je organizace připojena k eduroamu prostřednictvím několika serverů, tak se každý server monitoruje nezávisle. Aby bylo možné realizovat některé závislosti, bylo nutné nadefinovat virtuální servery, ty slučují všechny servery organizace v jediný. Služby definované na tomto serveru jsou přesnou kopií služeb na jednotlivých serverech organizací. Logika skrytá za těmito agregovanými službami zajišťuje, že služba přejde do CRITICAL stavu jedině když selžou všechny odpovídající služby na fyzických serverech. V případě, že je některý služba v jiném než OK stavu, má agregovaná služba stav WARNING.

Pro všechny služby na těchto serverech platí:

  • CRITICAL-HARD stav nastává po 1 pokusu
    • normální perioda testování je 1 minuta
    • v případě výpadku se testuje každou 1 minutu
    • notifikace se neposílají

Tvorba jmen virtuálních serverů

Původně se vytvářely virtuální servery podle toho, který realm obsluhovaly, to ale vedlo v k tomu, že virtuálních serverů bylo víc než bylo nezbytně nutné a díky tomu bylo i zbytečně mnoho služeb v systému. Používala se jména aggregated.<realm>. Nyní se generují jména virtuálních serverů na základě jmen serverů, ze kterých se virtuální server skládá. Například:

  • radius.cesnet.cz ⇒ radius.cesnet.cz
  • radius1.cesnet.cz + radius2.cesnet.cz ⇒ radius1_AND_radius2.cesnet.cz
  • radius1.cesnet.cz + radius2.cesnet.cz + radius3.cesnet.cz ⇒ radius1_AND_radius2_AND_radius3.cesnet.cz
  • radius.etest.cesnet.cz + radius.cesnet.cz ⇒ radius.etest_AND_radius.cesnet.cz
  • radius.cesnet.cz + radius.ces.net ⇒ radius.cesnet.cz_AND_radius.ces.net

Systémové servery

Monitoring monitoruje kromě serverů i systémové servery. Jedná se o

GW

Gateway, zajišťuje připojení monitorovacího systému k Internetu. Každá služba, která můžete vyvolat notifikaci, závisí na GW/PING, což zajišťuje, že monitoring „neobšťastní“ všechny správce po výpadku konektivity monitoringu poštou.

radius1 a radius2.eduroam.cz

NREN RADIUS servery zodpovědné za transport RADIUS paketů mezi organizacemi v rámci eduroam.cz, ale také zajišťují spojení s toplevel servery eduroamu. Monitorované služby:

PING

PING-etlr1 a PING-etlr2

Ping z NREN serveru na první, respektive druhý toplevel server.

RADIUS

RADIUS na NREN serveru. Testuje se pomocí lokálního účtu, takže výpadek skutečně znamená výpadek služby RADIUS na tomto serveru.

RADIUS-etlr1 a RADIUS-etlr2

RADIUS na toplevel serverech. Zatím se testuje jen pomocí účtu v surfnet.nl, takže výpadek těchto služeb nutně nemusí znamenat, že došlo k výpadku národních serverů.

RACOON

RACOON je daemon zodpovědný za výměnu šifrovacích tajemství pro IPSEC, čas od času nemá svůj den a dostane se do dead-locku. Oba NREN servery se samy kontrolují a v případě potřeby tuto službu restartují. Více informací viz FIXME odkaz do archivu konference.

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

  • Gateway systémové servery
  • Unsorted servery, které nepatří do žádné jiné skupiny. Jestliže je server v téhle skupině, téměř jistě není pořádně dokonfigurován.
    • semikwin2003s.cesnet.cz je pokusný Win2003 server určený k pokusům s IPsec na Windows.
    • cyrus.cesnet.cz slouží pro dočasné napojení IP telefonie k eduroam infrastruktuře
  • Everyone at <realm.cz>, agreguje servery zodpovědné za určitý realm, například Everyone at cesnet.cz

Skupiny služeb

Matice dostupnosti

Matice dostupnosti

Skupiny služeb a serverů sice trochu usnadňují orientaci v množství dat, ale neumožňují vidět aktuální stav sítě najednou. Proto jsem vytvořil na Nagiosu nezávislou matici dostupnosti. V ní jsou na řádcích buď lokality nebo servery organizací a na sloupcích jsou uvedeny jednotlivé realmy. Díky tomu lze na téměř první pohled okamžitě zjistit, kde co nefunguje.

K matici je volný přístup, adresa je https://ermon.cesnet.cz/matrix/.

Nagios

Jak už jsem zmínil několikrát výše, jádrem celého monitoringu je Nagios. Jeho webové rozhraní je k dispozici na adrese https://ermon.cesnet.cz/nagios/, přístup mají jen uživatelé, kteří mají účet v CESNET CAAS.

Jan Tomášek 19.03.2008 16:25 připsány informace o testech BIG-PACKET a VCELKA-MAJA
Jan Tomášek 22.06.2006 09:44 napsán text o aktuální implementaci
Jan Tomášek 14.06.2006 17:34 napsán úvod a teoretický výpočet generované zátěže

Poslední úprava:: 2018/08/15 20:49