摆脱无效报警？十年运维监控报警优化经验总结

2019 年 9 月 3 日 高效开发运维

作者 | 焦振清

来源 | 公众号：智能运维

运维工程师面试者第一个问题是：需要值班吗？笔者自己也曾经历过月入十万的时期，在那个时候，数个系统同时发布下一代版本，而老系统还需要过渡很长时间，工作量直接翻倍，大家只能勉强应付一线运维工作，团队成员开始陆续离职，而新人又无法在短时间内上手，整体情况不断恶化，持续半年左右才缓过劲来。

下面两张截图是我挑选的两个团队一周报警数的对比图，前者的单日报警量最高是 55348 条，后者单日的报警量最高为 34 条，两者相差 1600 倍，而前者才是国内很多互联网运维团队的真实写照。

在管理大规模集群的情况下，究竟有多少报警量才是合理的呢？Google SRE 每周只有十条报警，如果超过十条，说明没有把无效报警过滤掉（Google SRE 仅负责 SLA 要求为 99.99% 的服务）。笔者所在的团队要求则是，每周至多两晚有报警，单日报警量不能超过 50 条（比 Google SRE 放水好多啊）。

通过控制单日报警数量，严格约束夜间报警天数，确保最少不低于四人参与值班，笔者所在的团队，近几年来，不仅少有因为值班压力而离职的同学，而且我们每年都能持续招聘到 985 前 20 名学校的多个研究生。那么，怎么做到呢，以下是笔者的一些经验分享。

运维工程角度看报警优化

报警值班和报警升级

基于值班表，每天安排两人进行值班处理报警，将值班压力从全团队压缩在两人范围内，从而让团队能够有足够的时间和人力进行优化工作。同时，为了避免两个值班人员都没有响应报警，可以使用报警升级功能，如果一个报警在 5min 内值班人员均未响应，或者 15min 内未处理完毕，或者有严重故障发生，都可以将报警进行升级，通告团队其他成员协助处理。

如果公司的监控系统暂不支持值班表功能，则通过人工定期修改报警接收人的方式进行。而对于监控系统不支持报警升级的问题，通过自行开发脚本的方式，也能在一定程度上得到解决。也可以将报警短信发送至商业平台来实现。总之一句话，办法总比问题多。

对于报警值班人员，需要随时携带笔记本以方便处理服务故障，这个要求，和报警数量多少以及报警的自动化处理程度并无关系，仅和服务重要性有关。对于节假日依然需要值班的同学，公司或者部门也应该尽量以各种方式进行补偿。

基于重要性不同，分级应对

一个问题请大家思考一下，如果线上的服务器全部掉电后以短信方式通知值班人员，那么线上一台机器的根分区打满，也通过短信来通知是否有必要。

上述的问题在日常工作也屡屡发生，对于问题、异常和故障，我们采取了同样的处理方式，因此产生了如此多的无效报警。

Google SRE 的实践则是将监控系统的输出分为三类，报警，工单和记录。SRE 的要求是所有的故障级别的报警，都必须是接到报警，有明确的非机械重复的事情要做，且必须马上就得做，才能叫做故障级别的报警。其他要么是工单，要么是记录。

在波音公司装配多个发动机的飞机上，一个发动机熄火的情况只会产生一个”提醒“级别的警示（最高级别是警报，接下来依次是警告，提醒，建议），对于各种警示，会有个检查清单自动弹出在中央屏幕上，以引导飞行员找到解决方案。如果是最高级别的警报，则会以红色信息，语音警报，以及飞机操纵杆的剧烈震动来提示。如果这时你什么都不做，飞机将会坠毁。

故障自愈

重启作为单机预案，在很多业务线，可以解决至少 50% 的报警。没有响应，重启试试，请求异常，重启试试，资源占用异常，重启试试，各种问题，重启都屡试不爽。

换言之，针对简单场景具有明确处置方案的报警，自动化是一个比较好的解决方案，能够将人力从大量重复的工作中解放出来。

自动化处理报警的过程中，需要注意以下问题：

自动化处理比例不能超过服务的冗余度（默认串行处理最为稳妥）
不能对同一个问题在短时间内重复多次的自动化处理（不断重启某个机器上的特定进程）
在特定情况下可以在全局范围内快速终止自动化处理机制
尽量避免高危操作（如删除操作，重启服务器等操作）
每次执行操作都需要确保上一个操作的结果和效果收集分析完毕（如果一个服务重启需要 10min）

报警仪表盘，持续优化 TOP-3 的报警

如下图示，全年 TOP-3 的报警量占比达到 30%，通过对 TOP-3 的报警安排专人进行跟进优化，可以在短时间大幅降低报警量。

TOP-3 只是报警仪表盘数据分析的典型场景之一，在 TOP-3 之后，还可以对报警特特征进行分析，如哪些模块的报警最多，哪些机器的报警最多，哪个时间段的报警最多，哪种类型的报警最多，进而进行细粒度的优化。

同时，报警仪表盘还需要提供报警视图的功能，能够基于各种维度展示当前有哪些报警正在发生，从而便于当短时间内收到大量报警，或者是报警处理中的状态总览，以及报警恢复后的确认等。

基于时间段分而治之

下图是国内非常典型的一类流量图，流量峰值在每天晚上，流量低谷在每天凌晨。从冗余度角度来分析，如果在流量峰值有 20% 的冗余度，那么在流量低谷，冗余度至少为 50%。基于冗余度的变换，相应的监控策略的阈值，随机也应该发生一系列的变化。

举例来说，在高峰期，可能一个服务故障 20% 的实例，就必须介入处理的话，那么在低谷期，可能故障 50% 的实例，也不需要立即处理，依赖于报警自动化处理功能，逐步修复即可。

在具体的实践中，一种比较简单的方式就是，在流量低谷期，仅接收故障级别的报警，其余报警转为静默方式或者是自动化处理方式，在流量高峰期来临前几个小时，重新恢复，这样即使流量低谷期出现一些严重隐患，依然有数小时进行修复。这种方式之所以大量流行，是因为该策略能够大幅减少凌晨的报警数量，让值班人员能够正常休息。

报警周期优化，避免瞬报

在监控趋势图中，会看到偶发的一些毛刺或者抖动，这些毛刺和抖动，就是造成瞬报的主要原因。这些毛刺和抖动，至多定义为异常，而非服务故障，因此应该以非紧急的通知方式进行。

以 CPU 瞬报为例，如果设置采集周期为 10s，监控条件为 CPU 使用率大于 90% 报警，如果设置每次满足条件就报警，那么就会产生大量的报警。如果设置为连续 5 次满足条件报警，或者连续的 10 次中有 5 次满足条件就报警，则会大幅减少无效报警。对于重要服务，一般建议为在 3min 内，至少出现 5 次以上异常，再发送报警较为合理。

提前预警，防患于未然

对于很多有趋势规律的场景，可以通过提前预警的方式，降低问题的紧迫程度和严重性。下图是两台机器一周内的磁盘使用率监控图，可以预见，按照目前的增长趋势，必然会在某一个时间点触发磁盘剩余空间 5% 的报警，可以在剩余空间小于 10% 的时候，通过工单或者其他非紧急方式提醒，在工作时间段内，相对从容的处理完毕即可，毕竟 10% 到 5% 还是需要一个时间过程的。

日常巡检

提前预警面向的是有规律的场景，而日常巡检，还可以发现那些没有规律的隐患。以 CPU 使用率为例进行说明，近期的一个业务上线后，CPU 使用率偶发突增的情况，但是无法触发报警条件（例如 3 分钟内有 5 次使用率超过 70% 报警），因此无法通过报警感知。放任不管的话，只能是问题足够严重了，才能通过报警发现。这个时候，如果每天有例行的巡检工作，那么这类问题就能够提前发现，尽快解决，从而避免更加严重的问题发生。

比例为主，绝对值为辅

线上机器的规格不同，如果从绝对值角度进行监控，则无法适配所有的机器规格，势必会产生大量无意义的报警。以磁盘剩余空间监控为例，线上规格从 80GB 到 10TB 存在多种规格，从下图表格看，比例比绝对值模式能更好的适配各种规格的场景（EXT4 文件系统的默认预留空间为 5%，也是基于比例设置的并可通过 tune2fs 进行调整）

对于一些特殊场景，同样以磁盘剩余空间为例进行说明，例如计算任务要求磁盘至少有 100GB 以上空间，以供存放临时文件，那这个时候，监控策略就可以调整为：磁盘剩余空间小于 5% 报警或磁盘剩余空间绝对值小于 100GB 报警

Code Review

前人埋坑，后人挖坑。在解决存量问题的情况下，不对增量问题进行控制，那报警优化，势必会进入螺旋式缓慢上升的过程，这对于报警优化这类项目来说，无疑是致命的。通过对新增监控的 Code Review，可以让团队成员快速达成一致认知，从而避免监控配置出现千人千面的情况出现。

沉淀标准和最佳实践

仅仅做 Code Review 还远远不够，一堆人开会，面对一行监控配置，大眼瞪小眼，对不对，为什么不对，怎么做更好？大家没有一个标准，进而会浪费很多时间来进行不断的讨论。这时候，如果有一个标准，告诉大家什么是好，那么就有了评价标准，很多事情就比较容易做了。标准本身也是需要迭代和进步的，因此大家并不需要担心说我的标准不够完美。基于标准，再给出一些最佳的监控时间，那执行起来，就更加容易了。

以机器监控为例进行说明，机器监控必须覆盖如下的监控指标，且阈值设定也给出了最佳实践，具体如下：

CPU_IDLE < 10
MEM_USED_PERCENT > 90
NET_MAX_NIC_INOUT_PERCENT > 80 （网卡入口 / 出口流量最大使用率）
CPU_SERVER_LOADAVG_5 > 15
DISK_MAX_PARTITION_USED_PERCENT > 95 （磁盘各个分区最大使用率）
DISK_TOTAL_WRITE_KB（可选项）
DISK_TOTAL_READ_KB（可选项）
CPU_WAIT_IO（可选项）
DISK_TOTAL_IO_UTIL（可选项）
NET_TCP_CURR_ESTAB（可选项）
NET_TCP_RETRANS（可选项）

彻底解决问题不等于自动处理问题

举两个例子，大家来分析一下这个问题是否得到彻底解决：

如果一个模块经常崩掉，那么我们可以通过添加一个定时拉起脚本来解决该问题。那这个模块崩掉的问题解决了吗？其实并没有，你增加一个拉起脚本，只是说自己不用上机器去处理了而已，但是模块为什么经常崩掉这个问题，却并没有人去关注，更别提彻底解决了。
如果一个机器经常出现 CPU_IDLE 报警，那么我们可以将现在的监控策略进行调整，比如说，以前 5min 内出现 5 次就报警，现在可以调整为 10min 内出现 20 次再报警，或者直接删除这个报警策略，或者将报警短信调整为报警邮件，或者各种类似的手段。但这个机器为什么出现 CPU_IDLE 报警，却并没有人去关注，更别提解决了。

通过上面两个例子，大家就理解，自动化处理问题不等于解决问题，掩耳盗铃也不等于解决问题，什么叫做解决问题，只有是找到问题的根本原因，并消灭之，才能确保彻底解决问题，轻易不会再次发生。还是上面自动拉起的例子，如果仔细分析后，发现是内存泄露导致的进程频繁崩掉，或者是程序 bug 导致的 coredump，那么解决掉这些问题，就能够彻底避免了。

如何解决团队内部的值班排斥情绪

每个运维团队早晚都会面对团队高工对值班工作的排斥，这也是人之常情。辛辛苦苦干了几年了，还需要值班，老婆孩子各种抱怨，有时候身体状况也不允许了，都不容易。不同的团队，解决方式不同，但有些解决方案，会让人觉得，你自己都不想值班，还天天给我们打鸡血说值班重要。更严重一些的，会让团队成员感受到不公平，凭什么他可以不值班，下次是不是我们大家也可以找同样的理由呢。

笔者的团队是这样明确说明的：