告警规则怎么配置？

本文目录导读：

1. 通用核心要素（无论什么系统都适用）
2. Prometheus + Alertmanager 配置（开源最常用）
3. 云平台监控（阿里云 / 腾讯云 / AWS）
4. Grafana 内嵌告警（统一监控界面）
5. Zabbix 告警（传统运维）
6. 核心最佳实践（避免被告警淹没）
7. 快速入门的配置模板

配置告警规则的具体方法取决于你使用的监控系统（Prometheus + Alertmanager、Zabbix、阿里云监控、AWS CloudWatch、Grafana、ELK等）。

由于你没有指定具体平台，我将以目前最流行的 Prometheus + Alertmanager 方案为例，并结合通用的云平台监控（如阿里云/腾讯云）和 Grafana 常见场景,为你提供核心配置思路。

---

通用核心要素（无论什么系统都适用）

任何告警规则配置，本质上都需要定义以下 5个W：

1. What（监控什么）：CPU使用率、内存、磁盘、接口延迟、错误日志、API响应码等。
2. Condition（触发条件）：> 90%、< 10% 、连续 5 次失败、速率变化率 > 50% 等。
3. Duration（持续时间）：持续 1 分钟 / 5 分钟（避免瞬时抖动误报）。
4. Severity（告警级别）：P0（致命）、P1（严重）、P2（警告）、P3（通知）。
5. Action（通知谁/怎么通知）：企业微信、钉钉、邮件、短信、Slack、PagerDuty。

---

Prometheus + Alertmanager 配置（开源最常用）

这是云原生和K8s环境的标准方案,配置分为两步：

步骤1：编写告警规则文件（Prometheus 端）

在 Prometheus 的配置文件 prometheus.yml 中，通过 rule_files 引入规则文件。/etc/prometheus/rules/alert_rules.yml

示例规则文件 (alert_rules.yml)：

groups:
  - name: example-alerts
    rules:
      # 告警1：实例宕机
      - alert: InstanceDown
        expr: up == 0                                    # 条件：up指标为0
        for: 1m                                          # 条件持续1分钟才告警
        labels:
          severity: critical                             # 级别
        annotations:
          summary: "实例 {{ $labels.instance }} 停止工作"
          description: "服务器 {{ $labels.instance }} 已宕机超过1分钟。"
      # 告警2：CPU使用率过高
      - alert: HighCpuUsage
        expr: 100 - (avg by (instance) (rate(node_cpu_seconds_total{mode="idle"}[5m])) * 100) > 90
        for: 5m
        labels:
          severity: warning
        annotations:
          summary: "实例 {{ $labels.instance }} CPU 使用率过高"
          description: "CPU 使用率已超过 90%（当前值：{{ $value }}%）"
      # 告警3：某API接口错误率过高（针对业务）
      - alert: HighErrorRate
        expr: rate(http_requests_total{status=~"5.."}[5m]) / rate(http_requests_total[5m]) > 0.05
        for: 3m
        labels:
          severity: critical
        annotations:
          summary: "API 错误率异常"
          description: "5xx 错误率超过 5% (当前: {{ $value | humanizePercentage }})"

步骤2：配置路由与接收者（Alertmanager 端）

Alertmanager 负责将上述规则触发的告警发出去。

示例 alertmanager.yml：

global:
  resolve_timeout: 5m
route:
  receiver: 'default-receiver'      # 默认接收者
  group_wait: 30s                   # 同一组告警等待30秒后发送
  group_interval: 5m                # 同一组告警间隔5分钟重复发送
  repeat_interval: 4h               # 确认后未解决，每4小时重复一次
  # 根据severity路由到不同通道
  routes:
    - match:
        severity: critical
      receiver: 'team-ops-pager'    # 重要告警发到Pager/电话
    - match:
        severity: warning
      receiver: 'team-wechat'       # 一般告警发到企业微信
receivers:
  - name: 'default-receiver'
    webhook_configs:
      - url: 'http://internal-webhook/alert'  # 通用Webhook
  - name: 'team-ops-pager'
    pagerduty_configs:
      - routing_key: 'xxx'
  - name: 'team-wechat'
    webhook_configs:
      - url: 'https://qyapi.weixin.qq.com/cgi-bin/webhook/send?key=xxx'

---

云平台监控（阿里云 / 腾讯云 / AWS）

如果你使用云厂商的监控服务（如阿里云云监控、AWS CloudWatch），配置方式大同小异，通常是图形界面操作。

以阿里云监控为例：

1. 进入：云监控 -> 报警规则。
2. 创建：点击“创建报警规则”。
3. 配置：
   • 关联资源：选择要监控的ECS、RDS、SLB实例。
   • 指标：选择（如：CPU使用率、内存使用率、网络流出带宽）。
   • 阈值及周期：
     • CPU使用率 > 90%
     • 持续周期：5个周期（即连续5次数据点都超90%才告警）
   • 通知对象：选择报警联系人组、钉钉机器人、Webhook。
   • 通知方式：邮件、短信、电话（付费）。
   • 生效时间：全天或工作时间。

---

Grafana 内嵌告警（统一监控界面）

如果你的 Grafana 版本 >= 8.0,可以直接在图表上创建告警。

1. 进入：选择一个 Dashboard -> 编辑一个 Panel。
2. 配置：切换到 Alert 选项卡。
3. 规则：
   • Condition：WHEN last() OF query(A) IS ABOVE 90。
   • Evaluate every：每 1m 评估一次。
   • For：持续 5m 触发。
4. 通知：
   • 在 Grafana 的 Alerting -> Contact points 里配置通知渠道（钉钉、Webhook、邮件等）。
   • 在规则里选择关联的 Contact point。

---

Zabbix 告警（传统运维）

Zabbix 的配置核心在 触发器（Trigger）。

1. 创建：配置 -> 主机 -> 触发器 -> 创建触发器。
2. 名称：服务器 {HOST.NAME} CPU负载过高。
3. 表达式：{Server:system.cpu.load[all,avg1].last()}>5。
4. 级别：严重性（一般、警告、严重、灾难）。
5. 然后：在“动作（Action）”里配置发送邮件或执行脚本。

---

核心最佳实践（避免被告警淹没）

1. 规则要“去噪”：
   • 加 Duration：for: 5m 比 for: 1m 好,能过滤掉很多毛刺。
   • 设置合理阈值：不要用理论极限值（如CPU 100%），建议留缓冲（如P1: 95%，P2: 80%）。
2. 告警要“可路由”：
   • 使用标签（Labels）区分：team: backend、env: prod、severity: critical。
   • 让不同级别的告警发给不同的人（或不同渠道）。
3. 避免“告警风暴”：
   • 分组：将被同一问题引发的告警合并为一条通知（Alertmanager 的 group_by 功能）。
   • 抑制：如果核心服务宕机，告警通知所有子服务就多余了，应配置抑制规则（Inhibition）。
4. 必须设置“恢复通知”：

   确保告警恢复后能发一条“已解决”的消息，否则团队会产生“狼来了”心态。

快速入门的配置模板

如果你想快速上手,可以这样试：

1. 确定平台：如果是容器/K8s，用 Prometheus（规则文件+Alertmanager）；如果是基础设施，用 Zabbix；如果是云原生应用，用 Grafana Alerting。
2. 跑通一条规则：先配一个最简单的 服务器Down 告警,确保能收到通知。
3. 逐步添加：再加 CPU、内存、磁盘、关键业务接口。
4. 持续调优：根据收到的误报或漏报,调整阈值和持续时间。

如果你能提供你使用的是哪个具体系统（是阿里云 Web 控制台？还是 Prometheus 的 yaml 文件？还是 Grafana 的界面？）,我可以给你更精确的步骤。