运维工程师吐槽起告警问题，人人都是BBKing！

每天应对花式告警问题，

无关紧要的、短时急剧爆发的

被疲劳告警淹没的重要告警

和每天崭新的太阳一样，

每次的告警也是独一无二的！

想躺平，不可能

下一秒的救火也许正在路上。

为什么配出高质量告警很难？

首先，告警阈值的设定并不是一劳永逸

传统静态阈值的告警规则，

需要工程师对每个指标设置固定阈值来定位正常水位，

超出阈值则产生告警，逻辑没有问题

投入到实际应用中，

对应接口、应用不同，阈值也各不一样。

一个企业往往有上百个应用，几十条关键指标

依赖人力不断设定和维护，是一项浩大的工程。

并且随着业务的发展，代码不断变更，

各项指标的正常水位也在不断变化，

阈值的调整似乎时时在更新，

需要注意的是，

阈值的合理性难以及时验证，

会随着时间和业务的变化产生变化。

其次，系统应用之间千丝万缕的关系

往往容易牵一发动全身。

一个环节异常都可能导致业务故障，

系统中任何一个监控对象的告警

都可能引发其它多个相关策略告警

告警的相关度高达90%以上。

降噪、去重、收敛压缩是必然之举。

如何配出高质量告警

①智能化的告警

静态阈值难以满足RT、QPS等波动型指标的监控功能，

我们推荐动态阈值也叫区间检测功能，

根据7天历史数据预测指标上下边界，

自动调整阈值，超出阈值则触发告警。

用户在配置区间检测任务后，

AI机器学习算法会根据，

历史数据特征提取指标趋势性、季节性等特征

得到未来24h的预测曲线，

再根据指标自身的波动情况，

为未来一天的指标数据划定一个区间。

相比静态阈值，用户业务变化导致指标波动，

再也不用依赖工程师手动调整阈值，

既高效也避免手动误操作

一次配置终身学习，长期有效。

②及时地验证告警的合理性

使用户能够根据业务调整算法推荐的阈值

我们将告警分为p1-p5级，

5个代表不同严重程度的阈值，

并且给出指标实际值和阈值对比图，

用户可根据指标配置不同告警级别，

触发告警时会显示不同的告警级别

帮助用户提高响应决策和合理分派资源。

③趋势性预测功能

机器学习算法根据历史24h数据，

计算指标会超出每个阈值的次数，

来预测设定条件下告警数量。

用户根据趋势算法，可以提前预防，

既能在业务高峰期减少信息发送进行降噪，

同时在业务低谷期可以全部发送防止遗漏

高效解决异常问题，提高系统的稳定性。

④智能降噪

利用人工智能和机器学习算法

自动识别和过滤不必要的告警

通过分析历史数据，学习系统行为和模式，

以及应用预定义的规则和算法，

自动识别和过滤掉不重要的告警，

保留真正重要和有价值的告警

从而减少运维团队负担

⑤告警及时响应

根据告警级别和内容自定义分派条件，

和人员、团队、排班计划相结合，

实现告警在第一时间得到响应，

如超时未响应则会自动触发升级策略，

通过邮件、短信、电话、语言等

直达责任人，全方位减少告警遗漏，

确保问题得到真正响应。

南京林科斯拉-智能运维管家，智能极简 全栈监控。 (linksla.cn)