近年来,随着信息化时代的到来,数据呈现爆炸式的增长趋势,普通的大型计算机已经无法承担计算海量数据的任务,各大互联网公司纷纷采用大规模的Hadoop集群来完成数据的存储和分析。随着Hadoop集群的规模越来越大,确保大规模集群的稳定运行成为重点关注的问题。为了实时监控集群的运行状况、在集群出现问题的时候可以及时通知管理者,需要开发一套部署在集群上的监控和告警工具,此工具能够提供一个可视化前端界面,并且支持自动化部署和随时扩展监控告警指标,能够让管理者有效的维护集群,保证集群的正常工作。论文首先介绍了本课题的研究背景和研究意义,对国内外已有的集群监控告警软件做了调查和介绍,阐明本文将要研究的监控告警工具的特点和应用价值。其次,介绍了承载监控告警工具的分布式集群的基础知识,以及设计监控和管理系统时所考虑到的三个关键问题,并初步介绍了对应的解决方案和设计思想。然后详细描述了监控告警平台的整体架构,展示了监控管理平台的运行流程,介绍了平台的各个组成模块。重点分析了系统的两个主要组成模块:采集模块和告警模块,对采集模块进行了描述,从采集模块的结构图说起,详细介绍了采集模块的工作机制;接着介绍了告警模块的结构和工作流程,包括告警的监控指标等。之后从数据库中提取采集到的性能指标数据,并对其作图分析集群的运行状况。最后,对已完成的研究做了总结,提出系统中不足的地方,并对未来需要完善的方面做了展望。