分级告警策略，人性化系统监控？

要介绍统一监控平台，得先从告警策略聊起，后续再聊不同维度监控的架构与实现细节。

一、啥是告警？

监控平台发现系统异常，向系统负责人发出文字（例如，邮件/短信），色彩（有些公司，编译不过，CI平台会亮红灯），声音（有些公司，有蜂鸣器嗡嗡响，研发压力大呀）等警示，就是告警。

绝大部分公司，主要是通过文字发出系统异常告警信息。

文字告警有哪些常见的方法？

以58到家为例，目前提供了四种文字告警的方式，其成本，到达率，实时性都不一样：

• 短信：成本高，实时性好，到达率高
• 邮件：成本低，实时性差，到达率高
• 钉钉/微信：成本低，实时性中，到达率中

画外音：当然，得现有短信、邮件、钉钉、微信等消息网关的基础服务。

二、啥是告警策略？

绝大部分公司，可能都没有考虑系统监控告警策略，一旦发生异常，就发邮件/短信通知系统负责人，这样可能导致这样一些问题：

• 同一个集群的不同实例出问题，可能会造成重复告警，浪费带宽资源，升高短信成本
• 系统负责人短时间内手机被告警短信刷屏，导致产生麻木感
• 系统负责人短时间内手机，邮箱，钉钉，微信同时对一个故障告警，导致产生巨大压力
• 员工不重视告警，无法判断告警的优先级，leader又不知情，导致事故影响扩大

画外音：你猜，BAT一年的短信告警费用是多少？

为了解决上述问题，针对不同的服务，在不同的时间段，不同的员工层级，应该设定不同的告警策略，有哪些常见的告警策略呢？

• 模块告警收敛策略：当一个模块/服务异常时，与其对应的所有接口监控，与其对应集群的多有实例，都会告警，此时，应该收敛为一个模块/服务告警，常见的实现方式是，模块/服务按照集群名称做告警去重
• 接口告警收敛策略：当一个模块/服务的一个接口异常，与其对应集群的多个实例，都会告警，此时，应该收敛为一个接口告警，常见的实现方式是，按照接口名称做告警去重
• 告警频率收敛策略：对同一个服务或者接口，应该在固定的时间内，只发送有限的告警，常见的方式是，按照1分钟1次限制告警次数，一来降低研发的紧张感与压力感，二来节省成本
• 不同时段区分告警方式策略：工作日工作时段在公司时，通过邮件/钉钉/微信发送告警能更加节省成本；半夜或者周末发生故障时，通过邮件发送告警能保证实时性
• 逐层上报告警策略：每个模块都应该有负责人，原则上告警会发送给模块的负责人，但如果告警连续1小时未恢复正常，告警会自动发送给系统负责人的直属leader，如果告警连续3个小时未恢复正常，告警会自动发送给系统负责人的二级leader
• 黑白跳动策略：当系统由正常变为异常，异常恢复正常，出现正反的变化时，都应该发出告警

画外音：额，这么人性化，是“别人家”的公司么？

三、监控平台，告警策略依赖的基础模块

要实现统一监控平台，要实现告警策略化，需要依赖两个非常重要的基础模块：

• 集群信息管理
• 员工信息管理

什么是集群信息管理？

额，这个架构设计中最容易忽略的部分，《监控平台基础服务，集群信息统一管理》一文已经有过描述，文本不再展开。

以下是通过全局配置文件，实现集群信息集中管理，一个global.config举例：

[user.service]

ip.list : ip1, ip2, ip3

port : 8080

bin.path : /user.service/bin/

log.path : /user.service/log/

conf.path : /user.service/conf/

ftp.path:ftp://192.168.0.1/USER_2_0_1_3/user.exe

owner.list : shenjian, zhangsan, lisi

从这里，监控中心能够知道被监控的是 [user.service] 集群，有三个实例部署在 ip1/ip2/ip3 上，如果发生异常，要将告警发送给 shenjian, zhangsan, lisi 三个模块直接负责人。

什么是员工信息？

额，顾名思义，是员工基础信息的管理（额，这算什么解释）。和集群信息管理一样，员工信息的管理一定要集中化，不能分散在各处（分散的坏处是耦合，在《监控平台基础服务，集群信息统一管理》一文里谈得很多了）。

员工信息管理的实现方式主要有两种：

• 员工信息管理服务
• 全局员工信息配置

如何通过员工信息管理服务集中管理员工信息？

如上图，建立员工信息管理服务，绝大部分公司应该都是这么统一管理员工信息的，这个服务和HR系统结合应该是非常紧密的，即使是外采的HR系统，肯定有相关的模块管理员工信息，相关的数据库存储员工信息。

如何通过全局配置文件集中管理员工信息？

如果不考虑和HR系统的打通，而只考虑监控系统，分级告警的需求，完全可以通过配置文件来管理系统负责人信息，例如global.owner.config：

[shenjian]

department : tech

leader : sandy

email : XX@OO.com

phone :15912345678

dingding : 15912345678@dingding.com

wechat : XXOO

…

四、总结

要开发统一监控平台，至少有两个基础模块：

• 集群信息统一管理
• 员工信息统一管理

统一监控平台，不能一异常就告警，太不人性化，要实现统一的分级告警策略：

• 模块告警收敛策略：按照集群名称做去重
• 接口告警收敛策略：按照接口名称做去重
• 告警频率收敛策略：按照M分钟N次限制告警
• 不同时段区分告警方式策略：工作日/非工作日，白天/夜晚区分
• 逐层上报告警策略：先模块负责人告警，n分钟未恢复升级，m分钟未恢复再升级
• 黑白跳动策略：当系统由正常变为异常，异常恢复正常都通报

员工信息管理，需要注意：

• 避免分散管理，导致耦合
• 应当集中管理，有两种常见的实现方式，统一服务/统一全局配置

五、调研

调研一、对于监控平台，你的感受是：

• ca1，无监控平台，都是用户反馈系统挂了
• 有机器层面的监控，有nginx层面404监控
• 有异常日志监控，有服务接口监控
• 头疼，有各种奇形怪状的警示灯，蜂鸣器告警，压力异常之大

调研二、对于人性化告警，你的感受是：

• ca2，没有监控，谈不上告警
• ca3，没有考虑人性化，每次手机短信响起，就紧张，每次批量收到告警，压力就很大
• 有区分工作日/周末，白天/黑夜的告警策略区分
• 有收敛，去重，逐层上报的告警策略区分