prometheus实战之三：告警规则

欢迎访问我的GitHub

这里分类和汇总了欣宸的全部原创(含配套源码)：https://github.com/zq2599/blog_demos

本篇概览

• 本文是《prometheus实战》系列的第三篇，一起来学习prometheus的告警功能，如下图所示，整个告警功能分为规则和通知两部分，本篇是有关规则的详细介绍，至于命中规则后如何向外部发出通知是下一篇的内容

在这里插入图片描述

• 本篇任务：如果指定机器的CPU使用率超过50%就告警

配置告警规则的基本流程

• 新增告警规则的操作有以下四步

配置告警规则

• 每个告警规则有五部分组成

1. 名称（alert）
2. 触发条件（expr），这是个PromQL表达式，例如CPU使用率超过50%，在触发条件被满足之前，告警的状态都是Inactive
3. 持续时间（for），例如CPU使用率超过50%的时间持续30秒，在30秒之内，此告警状态为pending，超过30秒就进入firing状态
4. 标签（labels），给告警打上标签，在使用时可以根据标签定位到指定告警
5. 注解（annotations），对告警的描述，这些内容可以用来详明告警时刻的详细情况

• 接下来配置一个规则并验证其效果
• 首先用prometheus账号SSH登录prometheus服务器
• 新建告警规则文件，我这里完整路径是/home/prometheus/prometheus/rules/cpu.rules，内容如下，每个参数都有详细说明

# 告警规则分组，每一个组下有多个告警规则
groups:
# 组名
- name: cpuAlertGroup
  # 告警规则数组
  rules:
  # 下面是一个具体的告警规则，名为hostCPUUsageTooHigh
  - alert: hostCPUUsageTooHigh
    # 基于PromQL的具体规则，这里是CPU使用率高于50%
    expr: (1 - sum(increase(node_cpu_seconds_total{mode="idle"}[1m])) by (instance) / sum(increase(node_cpu_seconds_total[1m])) by (instance) ) * 100 > 50
    # 持续时间，实际情况满足expr后，规则从inactive
    for: 30s
    # 给规则自身设置标签
    labels:
      biz_type: cpu_usage
    annotations:
      # 告警内容摘要，可以用表达式获取变量的值
      summary: "Instance {{ $labels.instance }} CPU usgae high"
      # 告警内容详情，可以用表达式获取变量的值
      description: "{{ $labels.instance }} CPU usage above 50% (current : {{ $value }})"

• 然后打开prometheus的配置文件prometheus.yml，通过配置rule_files参数的值，告诉prometheus在何处加载告警规则配置文件，具体配置如下图

在这里插入图片描述

• 重启prometheus服务（prometheus账号操作）

systemctl restart prometheus

• 打开prometheus的web UI，如下图，可以看到告警规则已加载成功

在这里插入图片描述

• 告警的三种状态：Incative、Pending、Firing，具体的关系，我这边画了个草图

在这里插入图片描述

• 配置完成，可以验证告警效果了

触发告警

• 由于这里配置的是CPU告警，接下来就想办法让应用服务器的CPU升高，这里继续用ffmpeg对视频文件转码，参考命令如下

~/bin/ffmpeg -i ~/videos/4kh264.mp4 -c:v libx265 -vtag hvc1 -c:a copy ./output.mp4

• CPU使用率开始上涨，下图是还未达到阈值时的数据

在这里插入图片描述

• 此刻告警依然是inactive，未被触发

在这里插入图片描述

• 等到CPU利用率超过阈值的时候，应用服务器的实际情况如下图

在这里插入图片描述

• 再看prometheus的web UI，表达式显示也是超过了阈值，由于未满30秒，并未触发真正的告警（Firing），而是进入临时的Pending状态，此时annonation的内容中，配置的哪些变量已经被真实的值替换，显然，这样的内容可以帮我们定位到具体的故障信息

在这里插入图片描述

• CPU使用率持续30秒都大于50%的时候，此告警进入Firing状态，如果配置了告警通知，此刻已触出发了告警通知（这部分下一篇会实现）

在这里插入图片描述

• 至此，常规告警规则的编写和使用的操作已全部完成，接下来将曾经遇到的问题列出，帮大家跳过小坑

问题记录

• 告警规则的label名不能用减号，但是可以用下划线
• 下图这样写会导致prometheus启动失败

在这里插入图片描述

• 可以这样写

在这里插入图片描述

• 咱们熟悉了告警规则，接下来就要进军告警通知了，毕竟prometheus产生的告警需要第一时间让相关人员感知到，下一篇的alertmanager就承担着这份重任