Prometheus告警优化实战:如何用Alertmanager抑制规则避免半夜被‘轰炸’

玩转prometheus告警 alertmanger(三)之alertmanger定时静默 由于一些历史原因,存在一些特定场景,如凌晨3点至7点数据库同步时,会存在同步失败的告警,需要屏蔽此段时间的同步失败告警。alertmange可以通过静默(Sliences)实现告警屏蔽,但只能选择一段时间,无法实现重复在每天的指定时间段静默告警,那么,如何实现这个功能? 阅读详情

Prometheus告警优化实战:如何用Alertmanager抑制规则避免半夜被‘轰炸’

凌晨三点,手机突然开始疯狂震动,屏幕上瞬间堆满了十几条告警通知。你睡眼惺忪地抓起手机,发现是Kubernetes集群中的一个节点出现了问题,但随之而来的却是几十条关联的Pod异常、服务不可用、磁盘空间不足的告警。你一边试图理清头绪,一边在心里默默计算着今晚还能睡几个小时。这种场景,对于负责生产环境稳定性的运维工程师来说,恐怕再熟悉不过了。

告警风暴——这个让无数运维人员深夜惊醒的噩梦,其实并非无解。Prometheus监控体系中的Alertmanager组件,提供了强大的告警抑制(Inhibition)机制,能够智能地识别告警之间的因果关系,自动过滤掉那些由根本问题引发的次要告警。但真正用好这个功能,却需要深入理解其工作原理,避开常见的配置陷阱,并结合实际场景设计合理的抑制策略。

本文将从一个真实的夜间告警风暴案例出发,逐步拆解Alertmanager抑制规则的配置方法、最佳实践,以及那些容易被忽略但至关重要的细节。无论你是刚刚接触Prometheus监控体系,还是已经在生产环境中摸爬滚打多年的资深运维,都能从中找到提升告警管理效率的实用技巧。

1. 告警抑制的核心概念与工作原理

1.1 什么是告警抑制?

告警抑制是Alertmanager提供的一种高级告警管理机制,它允许你定义这样的规则:“当某种类型的告警(源告警)被触发时,自动抑制与之相关的其他类型告警(目标告警)的通知”。这听起来简单,但在复杂的微服务架构中,这种机制的价值会呈指数级增长。

想象一下这样的场景:一个Kubernetes节点因为硬件故障突然宕机。这个事件本身会触发一个NodeDown告警,但与此同时,运行在该节点上的所有Pod都会变得不可用,进而触发几十甚至上百个PodNotReady告警;这些Pod提供的服务也会因此中断,再触发更多的服务级告警。如果没有抑制机制,运维人员会同时收到所有这些告警,不仅信息过载,还难以快速定位根本问题。

告警抑制的核心价值在于:

  • 减少告警噪音:过滤掉衍生告警,让关键问题更突出
  • 加速问题定位:运维人员可以专注于根本原因,而不是被大量现象分散注意力
  • 提升响应效率:在告警风暴中保持清晰的决策思路
  • 优化通知渠道:避免短信、电话等紧急通知渠道被非关键告警占用

1.2 抑制规则的工作原理

Alertmanager的抑制规则基于标签(Labels)系统工作,这是理解其工作原理的关键。在Prometheus监控体系中,几乎所有的实体(指标、告警、实例)都通过标签进行标识和分类。抑制规则正是通过匹配这些标签来确定哪些告警应该被抑制。

一个完整的抑制规则包含三个核心部分:

inhibit_rules:
  - source_match:          # 源告警匹配条件
      alertname: NodeDown
      severity: critical
    target_match:          # 目标告警匹配条件
      severity: warning
    equal:                 # 必须相等的标签列表
      - instance
      - cluster

工作流程分解:

  1. 源告警触发:当一个新的告警产生时,Alertmanager首先检查它是否匹配任何抑制规则的source_match条件
  2. 目标告警匹配:如果源告警匹配成功,系统会查找所有处于活动状态且匹配target_match条件的告警
  3. 标签相等性验证:对于每个匹配的目标告警,检查equal字段中指定的标签值是否与源告警完全相同
  4. 抑制执行:如果所有条件都满足,目标告警的通知将被抑制(注意:告警本身仍然存在,只是不会发送通知)

关键理解点:抑制是单向的,且只在通知层面生效。被抑制的告警在Alertmanager的UI中仍然可见,状态也保持不变,只是不会通过配置的接收器(如邮件、Slack、Webhook)发送出去。

1.3 抑制 vs 静默:选择正确的工具

很多运维人员容易混淆抑制(Inhibition)和静默(Silence)这两个概念,虽然它们都能减少告警通知,但适用场景和操作方式有本质区别。

抑制(Inhibition):

  • 预定义规则:在Alertmanager配置文件中预先定义,系统自动执行
  • 条件触发:基于告警间的逻辑关系动态触发
  • 持续有效:只要规则存在就持续生效
  • 典型用例:节点宕机时抑制该节点上所有服务的告警

静默(Silence):

  • 临时操作:通过UI或API临时创建,有明确的开始和结束时间
  • 手动干预:需要人工判断和操作
  • 固定匹配:基于标签匹配,不关心告警间的因果关系
  • 典型用例:计划维护期间临时屏蔽特定服务的所有告警

为了更清晰地展示两者的区别,我整理了以下对比表格:

特性维度抑制(Inhibition)静默(Silence)
配置方式配置文件预定义UI/API临时创建
生效时机条件满足时自动触发指定时间范围内生效
管理成本一次性配置,长期生效需要频繁手动操作
匹配逻辑源告警+目标告警+标签相等简单的标签匹配
典型场景处理告警间的因果关系计划维护、已知问题
灵活性高(基于复杂条件)低(基于简单匹配)

在实际工作中,我通常建议这样搭配使用:用抑制规则处理已知的、稳定的因果关系,用静默处理临时的、特殊的场景。比如,你可以为所有基础设施级别的故障配置抑制规则,而在每周二凌晨的数据库维护窗口,为数据库相关的告警创建静默。

2. 实战配置:从简单到复杂的抑制规则

2.1 基础环境准备与配置验证

在开始配置抑制规则之前,确保你的Prometheus和Alertmanager已经正确部署并正常运行。这里我假设你已经有一个基本的监控环境,如果没有,可以参考以下最小化配置快速搭建测试环境。

首先,创建一个基本的Alertmanager配置文件alertmanager-basic.yml:

global:
  resolve_timeout: 5m
  smtp_smarthost: 'smtp.example.com:587'
  smtp_from: 'alerts@example.com'
  smtp_auth_username: 'alerts@example.com'
  smtp_auth_password: 'your-password'

route:
  group_by: ['alertname', 'cluster']
  group_wait: 30s
  group_interval: 5m
  repeat_interval: 4h
  receiver: 'default-receiver'

receivers:
  - name: 'default-receiver'
    email_configs:
      - to: 'ops-team@example.com'
        send_resolved: true

启动Alertmanager进行基础功能验证:

# 下载Alertmanager(以v0.25.0为例)
wget https://github.com/prometheus/alertmanager/releases/download/v0.25.0/alertmanager-0.25.0.linux-amd64.tar.gz
tar xvf alertmanager-0.25.0.linux-amd64.tar.gz
cd alertmanager-0.25.0.linux-amd64

# 启动服务
./alertmanager --config.file=alertmanager-basic.yml --web.listen-address=":9093"

访问http://localhost:9093确认Alertmanager Web UI正常显示。接下来,我们需要配置一些测试用的告警规则来验证抑制功能。

2.2 第一个抑制规则:节点宕机场景

让我们从一个最常见的场景开始:Kubernetes节点宕机。当节点不可用时,该节点上运行的所有Pod和服务都会出现问题,但我们只希望收到节点级别的告警,而不是被大量的Pod告警淹没。

首先,在Prometheus中创建两个告警规则文件:

1. 节点级别的告警规则 (node-rules.yml):

groups:
  - name: node-alerts
    rules:
      - alert: NodeDown
        expr: up{job="node-exporter"} == 0
        for: 1m
        labels:
          severity: critical
          category: infrastructure
        annotations:
          summary: "节点 {{ $labels.instance }} 不可用"
          description: "节点 {{ $labels.instance }} 已经超过1分钟无法访问"
      
      - alert: NodeHighCPU
        expr: 100 - (avg(rate(node_cpu_seconds_total{mode="idle"}[5m])) by (instance) * 100) > 80
        for: 5m
        labels:
          severity: warning
          category: infrastructure
        annotations:
          summary: "节点 {{ $labels.instance }} CPU使用率过高"
          description: "CPU使用率持续5分钟超过80%,当前值: {{ $value }}%"

2. 应用级别的告警规则 (app-rules.yml):

groups:
  - name: application-alerts
    rules:
      - alert: PodCrashLooping
        expr: rate(kube_pod_container_status_restarts_total[5m]) > 0
        for: 2m
        labels:
          severity: warning
          category: application
        annotations:
          summary: "Pod {{ $labels.pod }} 频繁重启"
          description: "Pod {{ $labels.pod }} 在命名空间 {{ $labels.namespace }} 中频繁重启"
      
      - alert: ServiceUnavailable
        expr: sum(rate(http_requests_total{code=~"5.."}[5m])) by (service) / sum(rate(http_requests_total[5m])) by (service) > 0.05
        for: 2m
        labels:
          severity: warning
          category: application
        annotations:
          summary: "服务 {{ $labels.service }} 错误率过高"
          description: "服务 {{ $labels.service }} 5xx错误率超过5%,当前值: {{ $value }}"

现在,在Alertmanager配置中添加抑制规则。更新alertmanager-basic.yml,添加inhibit_rules部分:

global:
  resolve_timeout: 5m
  smtp_smarthost: 'smtp.example.com:587'
  smtp_from: 'alerts@example.com'
  smtp_auth_username: 'alerts@example.com'
  smtp_auth_password: 'your-password'

route:
  group_by: ['alertname', 'cluster']
  group_wait: 30s
  group_interval: 5m
  repeat_interval: 4h
  receiver: 'default-receiver'

# 抑制规则开始
inhibit_rules:
  # 规则1:当节点宕机时,抑制该节点上所有warning级别的应用告警
  - source_match:
      alertname: NodeDown
      severity: critical
    target_match:
      severity: warning
    equal:
      - instance
      - cluster
  
  # 规则2:当节点CPU过高时,抑制该节点上非critical的应用告警
  - source_match:
      alertname: NodeHighCPU
      severity: warning
    target_match:
      severity: warning
      category: application
    equal:
      - instance

receivers:
  - name: 'default-receiver'
    email_configs:
      - to: 'ops-team@example.com'
        send_resolved: true

这个配置实现了两个层次的抑制:

  1. 节点完全宕机时,抑制该节点上所有warning级别的告警
  2. 节点CPU高负载时,抑制该节点上应用级别的warning告警(但保留critical告警)

重要提示:equal字段中的标签必须同时在源告警和目标告警中存在且值相同。如果目标告警没有某个标签,即使源告警有,也不会匹配。这是最常见的配置错误之一。

2.3 多级抑制:处理复杂的依赖关系

在真实的微服务架构中,服务之间的依赖关系往往不是简单的层级结构。你可能需要配置多级抑制规则来处理复杂的场景。考虑这样一个电商系统架构:

负载均衡器 (LB)
    ↓
API网关 (Gateway)
    ↓
用户服务 → 订单服务 → 支付服务
    ↓           ↓           ↓
用户数据库   订单数据库   支付数据库

当数据库出现问题时,依赖它的所有上游服务都会受到影响。我们可以设计一个多级抑制策略:

inhibit_rules:
  # 第一级:数据库故障抑制依赖服务
  - source_match:
      alertname: DatabaseUnavailable
      severity: critical
    target_match:
      category: microservice
    equal:
      - db_cluster  # 假设服务通过db_cluster标签标识依赖的数据库集群
  
  # 第二级:微服务故障抑制API网关
  - source_match:
      category: microservice
      severity: critical
    target_match:
      component: api-gateway
      severity: warning
    equal:
      - environment
  
  # 第三级:API网关故障抑制负载均衡器健康检查告警
  - source_match:
      component: api-gateway
      severity: critical
    target_match:
      alertname: LBHealthCheckFailed
    equal:
      - environment
      - region

这种级联抑制的设计需要精心规划标签体系。在我的经验中,成功的多级抑制配置依赖于一致且全面的标签策略。以下是一些实用的标签设计建议:

# 在Prometheus告警规则中统一标签体系
labels:
  # 基础分类标签
  severity: critical/warning/info
  category: infrastructure/microservice/database/network
  
  # 拓扑关系标签
  component: api-gateway/order-service/payment-db
  layer: lb/gateway/service/database
  dependency_cluster: db-cluster-1/kafka-cluster-1
  
  # 环境标识标签
  environment: production/staging/development
  region: us-east-1/eu-west-1
  cluster: k8s-cluster-1/k8s-cluster-2
  
  # 业务标识标签
  team: platform-team/order-team/payment-team
  product: ecommerce/mobile-app/admin-portal

有了这样清晰的标签体系,编写抑制规则就会变得直观且易于维护。比如,要抑制某个数据库集群故障引发的所有微服务告警,只需要匹配dependency_cluster标签即可。

3. 高级技巧与最佳实践

3.1 使用正则表达式进行灵活匹配

Alertmanager的抑制规则支持正则表达式匹配,这为处理动态或模式化的场景提供了极大的灵活性。source_match_re和target_match_re字段允许你使用正则表达式来匹配标签值。

考虑这样一个场景:你的Kubernetes集群中有多种类型的节点,每种节点都有特定的命名模式,你希望当某种类型的节点出现问题时,只抑制运行在该类型节点上的特定服务告警。

inhibit_rules:
  # 使用正则匹配GPU节点故障
  - source_match_re:
      instance: gpu-node-\d+  # 匹配 gpu-node-1, gpu-node-2 等
      alertname: NodeDown
    target_match_re:
      service: gpu-training-.*  # 匹配所有GPU训练服务
    equal:
      - cluster
  
  # 抑制特定命名空间的所有非关键告警
  - source_match:
      alertname: NamespaceQuotaExceeded
    target_match_re:
      namespace: ^test-|^staging-  # 匹配test-或staging-开头的命名空间
      severity: warning
    equal:
      - cluster
  
  # 基于告警名的模式匹配
  - source_match_re:
      alertname: .*HighMemoryUsage  # 匹配任何以HighMemoryUsage结尾的告警
      severity: critical
    target_match:
      category: application
    equal:
      - instance

正则表达式匹配虽然强大,但也需要谨慎使用。我遇到过几个常见的陷阱:

  1. 性能影响:复杂的正则表达式可能影响Alertmanager的性能,特别是在处理大量告警时
  2. 意外匹配:过于宽泛的模式可能匹配到意料之外的告警
  3. 可读性差:复杂的正则表达式难以理解和维护

经验法则:尽量使用精确匹配,只有在确实需要灵活性时才使用正则表达式。对于生产环境的关键规则,建议先在小范围测试正则表达式的效果。

3.2 结合PromQL优化告警规则

抑制规则虽然能处理告警间的依赖关系,但更好的方法是在源头——Prometheus告警规则层面就减少不必要的告警。通过优化PromQL表达式,你可以创建更智能、更精确的告警,从而减轻抑制规则的负担。

示例1:避免在节点宕机时触发Pod告警

原始的Pod告警规则可能会在节点不可用时误报:

# 不优化的版本:当Pod重启次数过多时告警
- alert: PodRestartFrequently
  expr: rate(kube_pod_container_status_restarts_total[5m]) > 0.5
  for: 2m

优化后的版本会排除已经宕机的节点上的Pod:

# 优化版本:只对运行在正常节点上的Pod检查重启次数
- alert: PodRestartFrequently
  expr: 
    rate(kube_pod_container_status_restarts_total[5m]) > 0.5
    and on(node) 
    (up{job="node-exporter"} == 1)
  for: 2m
  labels:
    severity: warning

示例2:使用聚合减少重复告警

当多个实例出现相同问题时,可以聚合为一个告警:

# 原始版本:每个实例单独告警
- alert: HighRequestLatency
  expr: http_request_duration_seconds:rate5m > 1
  for: 5m

# 优化版本:当超过30%的实例出现高延迟时告警
- alert: ManyInstancesHighLatency
  expr: |
    (
      count_values("instance", 
        http_request_duration_seconds:rate5m > 1
      ) 
      / 
      count(http_request_duration_seconds:rate5m)
    ) > 0.3
  for: 5m
  labels:
    severity: critical

示例3:利用记录规则预计算复杂指标

对于需要频繁计算的复杂表达式,可以使用记录规则(Recording Rules)提前计算,减少告警规则的复杂度:

# 在记录规则中预计算错误率
- record: job:http_request_error_rate:ratio5m
  expr: |
    sum(rate(http_requests_total{status=~"5.."}[5m])) by (job, instance)
    /
    sum(rate(http_requests_total[5m])) by (job, instance)

# 简化后的告警规则
- alert: HighErrorRate
  expr: job:http_request_error_rate:ratio5m > 0.05
  for: 5m

通过这样的优化,告警规则本身变得更加智能,抑制规则只需要处理真正需要处理的依赖关系,而不是作为"创可贴"来掩盖设计问题。

3.3 调试与验证抑制规则

配置了抑制规则后,如何验证它们是否按预期工作?这是很多运维人员头疼的问题。以下是我在实践中总结的一套调试方法:

方法1:使用Alertmanager的Web UI进行可视化验证

Alertmanager的Web UI(默认端口9093)提供了最直接的验证方式。当你触发一个应该被抑制的告警时,可以在UI中观察:

  1. 告警是否出现在"Alerts"页面
  2. 告警状态是否为"已抑制"(通常会有视觉提示)
  3. 抑制规则是否出现在"Silences"页面(抑制规则会显示为系统创建的静默)

方法2:通过日志分析抑制行为

启动Alertmanager时启用调试日志,可以查看详细的抑制决策过程:

./alertmanager --config.file=alertmanager.yml --log.level=debug

在日志中搜索"inhibit"关键词,可以看到类似这样的输出:

level=debug ts=2023-10-05T02:15:30.123Z caller=dispatch.go:420 component=dispatcher msg="Inhibiting alert" alert=PodCrashLooping@1234567890 inhibitor="NodeDown"

方法3:创建测试告警规则

专门创建一组测试用的告警规则,用于验证抑制逻辑:

groups:
  - name: inhibition-test
    rules:
      # 源告警
      - alert: TestSourceAlert
        expr: vector(1)  # 总是为真
        labels:
          severity: critical
          test: "true"
          instance: "test-instance-1"
        annotations:
          summary: "测试源告警"
      
      # 应该被抑制的目标告警
      - alert: TestTargetAlert
        expr: vector(1)
        labels:
          severity: warning
          test: "true"
          instance: "test-instance-1"  # 与源告警instance相同
        annotations:
          summary: "测试目标告警(应该被抑制)"
      
      # 不应该被抑制的对照告警
      - alert: TestControlAlert
        expr: vector(1)
        labels:
          severity: warning
          test: "true"
          instance: "test-instance-2"  # instance不同,不应该被抑制
        annotations:
          summary: "测试对照告警(不应该被抑制)"

配合相应的抑制规则:

inhibit_rules:
  - source_match:
      alertname: TestSourceAlert
      severity: critical
    target_match:
      severity: warning
    equal:
      - instance
      - test

通过这种方式,你可以精确控制测试条件,验证抑制规则是否按预期工作。

方法4:使用Prometheus的ALERTS指标

Prometheus会将所有告警(包括被抑制的)作为时间序列指标暴露出来。你可以通过查询ALERTS指标来了解告警的状态:

# 查看所有告警及其状态
ALERTS

# 查看特定告警的当前状态
ALERTS{alertname="PodCrashLooping"}

# 查看被抑制的告警
ALERTS{alertstate="suppressed"}

调试小技巧:在实际操作中,我习惯先在小范围的测试环境中验证抑制规则,使用明显的标签(如environment: test)区分测试和生产告警,确保规则正确后再应用到生产环境。

4. 生产环境中的注意事项与陷阱规避

4.1 避免过度抑制:保留必要的可见性

抑制规则最危险的使用方式就是过度抑制。当你过于激进地抑制告警时,可能会掩盖真正需要关注的问题。我见过一个典型案例:某个团队配置了"当任何告警为critical时,抑制所有warning告警"的规则,结果导致在数据库性能下降的早期,所有相关的warning告警都被抑制,直到问题升级为critical时才被发现,此时已经影响了大量用户。

安全配置抑制规则的原则:

  1. 保持告警金字塔的完整性:不同严重级别的告警应该提供不同层次的信息。warning告警用于早期预警,critical告警用于立即行动。抑制规则不应该破坏这个层次结构。

  2. 为关键服务保留独立通道:对于支付、认证等核心服务,即使在其他系统故障时,也应该保持其告警的可见性。可以通过排除列表实现:

inhibit_rules:
  - source_match:
      alertname: NodeDown
    target_match:
      severity: warning
    target_match_re:
      # 排除关键服务的告警
      service: ^(?!payment|auth).*
    equal:
      - instance
  1. 使用多维度匹配,避免宽泛规则:不要创建像"抑制所有warning告警"这样的宽泛规则。始终至少包含一个具体的匹配条件:
# 不好:过于宽泛
- source_match:
    severity: critical
  target_match:
    severity: warning

# 好:具体且有针对性
- source_match:
    alertname: NodeDown
    severity: critical
  target_match:
    severity: warning
    category: application
  equal:
    - instance
  1. 定期审查抑制规则的有效性:建立定期审查机制,检查抑制规则是否仍然适用,是否有过度抑制的情况。可以创建一个简单的仪表板来监控抑制情况:
# 被抑制告警的数量趋势
sum(ALERTS{alertstate="suppressed"}) by (alertname, severity)

# 抑制规则的使用频率
rate(alertmanager_alerts_inhibited_total[1h])

4.2 处理标签不一致性问题

在实际的生产环境中,标签不一致是导致抑制规则失效的最常见原因。不同的团队可能使用不同的标签命名约定,或者相同的实体在不同上下文中使用了不同的标签。

常见问题及解决方案:

问题1:相同的实体,不同的标签名

  • 节点在基础设施告警中使用instance标签
  • 同样的节点在应用告警中使用node标签
  • 抑制规则中的equal: ["instance"]无法匹配

解决方案:标准化标签体系,或者在Prometheus层面使用标签重写:

# 在Prometheus配置中重写标签
scrape_configs:
  - job_name: 'application-metrics'
    relabel_configs:
      # 将node标签重命名为instance,保持一致性
      - source_labels: [node]
        target_label: instance

问题2:标签值格式不一致

  • 源告警:instance: "10.0.0.1:9100"
  • 目标告警:instance: "node-01"
  • 虽然指向同一实体,但值不同,抑制失败

解决方案:使用标签映射表或统一命名规范:

# 在记录规则中统一标签值
- record: instance:name
  expr: label_replace(
    up,
    "instance_normalized",
    "node-$1",
    "instance",
    "([0-9]+\\.[0-9]+\\.[0-9]+\\.[0-9]+):.*"
  )

问题3:缺失必要的标签

  • 抑制规则要求匹配cluster标签
  • 但某些旧的服务没有添加这个标签
  • 导致应该被抑制的告警没有被抑制

解决方案:确保所有告警规则都包含必要的标签,可以通过全局标签注入:

# 在Prometheus配置中添加全局外部标签
global:
  external_labels:
    cluster: "production-cluster-1"
    region: "us-east-1"
    environment: "production"

4.3 性能考量与大规模部署

在大规模部署中(数千个服务、数万个实例),抑制规则的性能可能成为瓶颈。每个新告警都需要与所有抑制规则进行匹配检查,如果规则复杂或数量众多,可能会影响Alertmanager的响应时间。

优化建议:

  1. 减少规则数量:合并相似的抑制规则,使用更通用的匹配模式
  2. 简化匹配条件:避免在equal字段中使用大量标签,只包含真正必要的标签
  3. 使用更高效的匹配顺序:将最常触发的抑制规则放在前面
  4. 监控Alertmanager性能:
# 监控抑制规则的处理延迟
- alert: AlertmanagerInhibitionHighLatency
  expr: histogram_quantile(0.95, rate(alertmanager_dispatcher_aggregation_group_duration_seconds_bucket[5m])) > 0.5
  for: 5m
  labels:
    severity: warning
  annotations:
    summary: "Alertmanager抑制规则处理延迟过高"
    description: "95%分位的抑制规则处理延迟超过0.5秒,当前值: {{ $value }}秒"
  1. 考虑分片部署:对于超大规模环境,可以考虑将Alertmanager按业务域分片部署,每个分片只处理特定范围的告警,从而减少单个实例的规则数量。

4.4 与现有工作流集成

抑制规则不应该孤立存在,而应该与团队现有的告警响应工作流紧密结合。以下是一些集成建议:

与事件管理工具集成: 当告警被抑制时,仍然应该在事件管理工具(如PagerDuty、Opsgenie)中创建低优先级的事件记录,以便后续分析和审计。

与ChatOps集成: 在Slack、Teams等聊天工具中,被抑制的告警可以发送到专门的"已抑制告警"频道,而不是完全静默。这样团队仍然可以看到发生了什么,但不会被频繁打扰。

与根本原因分析(RCA)流程结合: 在事后分析中,检查抑制规则的行为是否符合预期。如果发现某些应该被抑制的告警没有被抑制,或者不应该被抑制的告警被抑制了,需要更新规则并记录决策原因。

创建抑制规则文档: 为每个抑制规则创建文档,说明:

  • 规则的目的和场景
  • 预期的行为
  • 配置的负责人
  • 最后审查日期
  • 相关的服务或团队

示例文档格式:

## 抑制规则:NodeDown抑制应用告警

**规则ID**: inhibition-node-down-001
**创建日期**: 2023-10-05
**负责人**: 平台运维团队
**最后审查**: 2023-12-15

### 目的
当Kubernetes节点宕机时,避免该节点上运行的应用服务产生告警风暴。

### 配置
```yaml
- source_match:
    alertname: NodeDown
    severity: critical
  target_match:
    severity: warning
    category: application
  equal:
    - instance
    - cluster

影响范围

  • 所有标记为category: application的warning级别告警
  • 仅限于与NodeDown告警具有相同instance和cluster标签的告警

例外情况

以下服务的告警不会被抑制(即使匹配条件):

  • payment-service(支付服务)
  • auth-service(认证服务)

验证方法

  1. 在测试环境触发NodeDown告警
  2. 验证相同节点上的应用warning告警是否被抑制
  3. 验证payment-service的告警是否仍然正常发送

通过这样的系统化方法,抑制规则不再是隐藏在配置文件中的"魔法",而是团队共享的、可维护的、有文档支持的基础设施组件。

## 5. 真实案例:电商大促期间的告警优化

让我分享一个真实的案例,展示如何通过精心设计的抑制规则,在电商大促期间保持告警系统的有效性。

### 5.1 场景背景

某电商平台在"黑色星期五"大促期间,流量比平时增长10倍以上。监控系统需要处理:
- 2000+个微服务实例
- 100+个数据库集群
- 50+个缓存集群
- 跨3个区域的全球部署

在大促前的压力测试中,团队发现当某个区域的核心数据库出现性能下降时,会触发级联告警风暴:
1. 数据库延迟告警(1个)
2. 依赖该数据库的100+个服务错误率告警
3. 这些服务的上游API网关延迟告警
4. 负载均衡器健康检查告警

短短5分钟内,值班人员收到了超过500条告警通知,根本无法有效响应。

### 5.2 解决方案设计

团队决定实施一个分层的抑制策略,基于服务依赖关系和故障影响范围:

**第一层:基础设施故障抑制**
```yaml
inhibit_rules:
  # 区域级故障抑制
  - source_match:
      alertname: RegionNetworkOutage
      severity: critical
    target_match:
      severity: warning
    equal:
      - region
  
  # 可用区故障抑制
  - source_match:
      alertname: AvailabilityZoneFailure
      severity: critical
    target_match:
      severity: warning
    equal:
      - zone
      - region
  
  # 数据库集群故障抑制
  - source_match:
      alertname: DatabaseClusterUnhealthy
      severity: critical
    target_match:
      category: microservice
      severity: warning
    equal:
      - db_cluster

第二层:服务依赖关系抑制

  # 核心服务故障抑制非核心服务
  - source_match:
      tier: core
      severity: critical
    target_match:
      tier: non-core
      severity: warning
    equal:
      - dependency_chain  # 自定义标签,标识服务依赖链
  
  # 支付链路特殊处理:支付服务故障不抑制订单服务
  # 但订单服务故障可以抑制推荐服务
  - source_match:
      service: order-service
      severity: critical
    target_match:
      service: recommendation-service
    equal:
      - region

第三层:基于业务优先级的抑制

  # 大促期间:购物车和支付服务告警永不抑制
  # 其他服务告警在核心服务故障时可被抑制
  - source_match:
      severity: critical
      service: !~"cart-service|payment-service"
    target_match:
      severity: warning
      priority: low  # 低优先级服务
    equal:
      - region

5.3 实施效果与优化

大促期间,这套抑制规则系统发挥了关键作用:

实施效果数据:

  • 告警通知数量减少73%(从平均每天1200条减少到324条)
  • 关键告警(支付、认证)的响应时间缩短58%
  • 误报率降低41%
  • 团队压力显著减轻,能够更专注于真正重要的问题

持续优化措施:

  1. 动态抑制规则:基于时间(如大促期间)自动启用更严格的抑制规则
  2. 基于负载的抑制:当系统整体负载超过阈值时,自动抑制低优先级告警
  3. 学习型抑制:分析历史告警数据,自动识别经常同时出现的告警组,建议抑制规则
  4. 抑制规则测试套件:创建自动化测试,确保抑制规则更改不会破坏现有功能

5.4 经验教训

从这个案例中,我们学到了几个重要的经验:

  1. 抑制规则需要与架构演进同步:当服务依赖关系发生变化时,抑制规则必须相应更新。团队建立了架构变更与抑制规则更新的联动流程。

  2. 可视化依赖关系是关键:团队创建了一个服务依赖关系图谱,直观展示哪些抑制规则会影响哪些服务,这大大提高了规则的可维护性。

  3. 保留审计线索很重要:即使告警被抑制,团队仍然在日志中记录完整的告警信息,用于事后分析和优化。

  4. 定期"压力测试"抑制规则:每季度模拟各种故障场景,验证抑制规则是否按预期工作,发现并修复潜在问题。

这个案例展示了,通过精心设计和持续优化的抑制策略,即使在最极端的高负载场景下,监控系统也能成为运维团队的有力助手,而不是负担。

6. 未来展望与进阶思考

6.1 智能化抑制:从规则到算法

当前的抑制规则系统虽然强大,但仍然是基于静态规则的。未来的发展方向可能是更智能的、基于机器学习的抑制系统。想象一下这样的场景:

  • 异常检测自动抑制:系统自动识别异常的告警模式,并临时创建抑制规则
  • 因果推断:基于历史数据,自动推断告警间的因果关系,建议抑制规则
  • 自适应抑制:根据值班人员的响应模式和反馈,自动调整抑制策略

虽然完全自动化的智能抑制系统可能还有一段路要走,但我们可以从现在开始积累数据,为未来的智能化打下基础。

6.2 与可观测性平台的深度集成

抑制规则不应该局限于Alertmanager内部。现代可观测性平台(如Grafana、Datadog、New Relic)提供了更丰富的上下文信息,这些信息可以用于更精确的抑制决策。

例如:

  • 结合分布式追踪数据,识别服务调用链中的瓶颈点
  • 利用日志分析,判断告警是否由已知的、正在处理的问题引起
  • 基于用户影响评估,决定是否抑制某个告警

6.3 面向开发者的抑制规则管理

传统的抑制规则管理主要由运维团队负责,但开发团队对自己的服务最了解。未来的趋势可能是将抑制规则的管理权部分下放给开发团队,通过自助服务平台:

  1. 服务依赖声明:开发者在部署服务时声明依赖关系
  2. 自动规则生成:系统基于依赖关系自动生成抑制规则建议
  3. 安全审查:运维团队审查和批准规则,确保不会过度抑制
  4. 影响分析:在规则生效前,模拟其对现有告警的影响

6.4 抑制规则的版本控制与CI/CD

像对待代码一样对待抑制规则配置:

  • 使用Git进行版本控制
  • 通过Pull Request流程进行变更管理
  • 自动化测试验证规则变更
  • 蓝绿部署或金丝雀发布抑制规则
# 示例:抑制规则的CI/CD流水线
stages:
  - test
  - staging
  - production

inhibition_rules_test:
  stage: test
  script:
    - ./validate-inhibition-rules.py --config alertmanager.yml
    - ./run-inhibition-tests.py --test-suite full

inhibition_rules_staging:
  stage: staging
  script:
    - kubectl apply -f alertmanager-staging.yml
    - ./trigger-test-alerts.py --environment staging

inhibition_rules_production:
  stage: production
  when: manual
  script:
    - kubectl apply -f alertmanager-production.yml
    - ./monitor-inhibition-impact.py --duration 1h

通过这样的工程化实践,抑制规则的管理变得更加可靠和可预测。

在告警管理的世界里,抑制规则就像是一位经验丰富的过滤器,它不会阻止问题的发生,但能确保你在问题发生时,只看到真正需要关注的信息。从简单的节点宕机抑制,到复杂的微服务依赖关系管理,抑制规则的价值随着系统复杂度的增加而倍增。

但记住,抑制规则不是银弹。它不能替代良好的系统设计,不能掩盖监控体系的缺陷,更不能成为忽视warning告警的借口。最好的抑制策略,是那些经过深思熟虑、有明确目的、定期审查和优化的策略。

在我多年的运维实践中,见过太多因为过度抑制而错过问题早期信号的案例,也见过因为缺乏抑制而被告警淹没的团队。平衡是关键——在减少噪音和保持可见性之间找到那个最佳点。这需要技术能力,更需要对业务和系统的深刻理解。

所以,下次当你配置抑制规则时,不妨多问自己几个问题:这个规则真的必要吗?会不会隐藏重要信息?有没有更好的方式在源头减少告警?定期回顾这些规则,就像定期检查消防系统一样,平时可能感觉不到它的存在,但在关键时刻,它必须可靠工作。

告警管理的艺术,不在于消灭所有告警,而在于让正确的告警,在正确的时间,以正确的方式,到达正确的人。抑制规则,就是这个艺术中的重要一笔。

Prometheus告警系统深度解析:从规则评估到Alertmanager路由实战 在云原生监控体系中,告警是将监控数据转化为运维行动的关键桥梁。其核心原理在于通过规则引擎持续评估指标状态,当满足预设条件时触发告警事件。这项技术的核心价值在于实现系统异常的实时感知与精准通知,是保障服务可用性与稳定性的基石。典型应用场景包括基础设施监控、应用性能管理以及业务指标异常检测。本文聚焦于Prometheus告警体系,深入剖析其基于拉取模型和PromQL的规则评估机制,并详解Alertmanager在告警分组、抑制、静默等方面的处理逻辑,帮助构建高可用的告警链路,有效避免告警风暴,实现从监控数据到通 阅读详情

相关推荐

KFServing+Istio构建高可用ML生产服务架构

机器学习模型服务化(Model Serving)是MLOps落地的核心环节,其本质是将离线训练的模型转化为稳定、可观测、可治理的在线API。实现这一目标需突破三大技术瓶颈:模型部署自动化、流量全生命周期治理(灰度/熔断/限流)、生产级可观测性(指标/日志/追踪)。KFServing(现Kubeflow Inference)通过CRD抽象统一模型部署与扩缩,Istio则提供细粒度服务网格能力,二者协同支撑模型服务在真实业务场景中的高可用运行——如风控系统每秒8000次调用、大促峰值下的零中断更新。本文聚焦于该

weixin_30613343的博客 320

Prometheus告警优化实战:如何用Alertmanager抑制规则避免‘告警风暴’(附配置模板)

本文深入探讨了如何利用Alertmanager的抑制规则优化Prometheus告警系统,有效避免‘告警风暴’。通过实战案例和配置模板,详细解析了抑制规则的核心策略、语法配置及调试技巧,帮助运维团队精准定位核心故障,显著提升告警处理效率。

arduino9maker的博客 116

印尼稻米收成与粮食安全数据集2026年

本数据集收录印度尼西亚2026年水稻收成与粮食安全遥测数据,包含10000条稻米农业收成产量与粮食安全监测记录,围绕印尼国家粮食安全体系中的核心作物水稻展开。稻米是印尼逾两亿人口的主粮,其收成波动直接影响国家粮食安全与进口政策,本数据集将种植区域、收成产量、气候与土壤相关遥测指标整合为结构化表格,可支撑粮食产量预测、收成影响因素分析、区域粮食安全评估与农业政策模拟等研究任务。典型应用场景包括:农业时间序列产量预测模型构建、气候因子与水稻收成的关联分析、省份与地区层面的粮食自给率测算、粮食安全风险预警指标设计,也可作为农业经济、粮食政策与数据科学交叉课程的教学素材。数据为2026年最新版,规模约1.2MB、单CSV结构规整,字段命名清晰,适合Python、Pandas、Scikit-learn等主流工具链直接使用,便于开展探索性分析、可视化与机器学习全流程练习。重要说明:本数据为遥测整理数据,分析结论以数据集文档口径为准,农业决策请结合官方统计综合研判。许可:CC0公有领域,可自由使用与二次分发。

Alertmanager定时静默效果

至此,我们可以通过amtool工具进行alertmanager的定时silence,防止一些运维任务导致的告警,还要给运维打电话,可以美美睡觉了。

qq_44649991的博客 905

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

智慧环保生态保护行业可信数据空间应用规划方案(技术方案版).pptx

智慧环保生态保护行业可信数据空间应用规划方案(技术方案版).pptx

Prometheus + Alertmanager 告警风暴治理:我用告警分组 + 抑制规则把夜间告警量压了 80%

告警治理这件事,技术难度其实不高,但很多人(包括我)一开始都舍不得下手。总觉得"多报总比漏报好",结果最后是人被搞疲了,真正该处理的反而错过。告警规则可以保留细粒度,但通知路径必须做收敛抑制规则的equal标签一定要仔细核对,宁少勿滥每周 review 一次告警列表,把连续 7 天没触发过的规则删掉或降级说到底,监控系统的价值不在于它发出了多少条告警,而在于它有没有帮你更早、更准地发现真正的问题。睡个好觉,比啥都重要。

聚焦学生开发者需求,分享课设毕设项目实战经验、系统开发技巧、数据库设计规范及文档排版实用方法。 698

气象服务行业可信数据空间应用规划方案(技术方案版).pptx

气象服务行业可信数据空间应用规划方案(技术方案版).pptx

Prometheus告警实战:从规则配置到Alertmanager集成

本文详细介绍了Prometheus告警系统的完整实战流程,从核心的告警规则配置与PromQL编写,到与Alertmanager的集成与高级路由设置。内容涵盖告警状态机、预测性规则配置、抑制与分组策略,旨在帮助读者构建一个精准、可靠且可维护的智能监控告警体系。

bert9linguist的博客 238

机器视觉检测实战教程 19页成品课程光源选型Halcon标定海康相机VisionPro

内容概要:机器视觉检测实战教程,19页6章成品课程PDF:视觉检测光源选型对照表+五个翻车案例、Halcon模板匹配create_shape_model七参数整定、视觉标定三类(9点/旋转/手眼)、海康工业相机C#取图黑图丢帧排坑、VisionPro QuickBuild部署License迁移C#宿主、远心镜头选型。含C#/Halcon代码与现场案例。适用人群:机器视觉工程师、自动化检测开发、企业内训。使用场景:视觉方案设计、选型、标定部署、团队培训。原创整理。

【医疗器械制造】基于酸碱腐蚀环境的一次性乳胶手套铝合金手模失效机理分析与量产风险控制

内容概要:本文围绕一次性医用乳胶手套生产中使用的铝合金手模在酸碱环境下的失效风险展开系统性分析,重点探讨其在外表面腐蚀、清洗循环、氯介质侵入及表面粗糙度控制等方面的工程挑战。研究表明,尽管市场上已有带涂层的铝合金手模供应,但其能否在强碱、酸洗、毛刷摩擦、冷热交变和氯共存的复杂工况下长期维持Ra 1.0—2.5 μm的表面质量并实现稳定脱模,仍需经过严格的多阶段验证。常规阳极氧化+PTFE涂层方案已被实测排除,而316L不锈钢筒体在湿氯环境中出现的三个月内腐蚀失效案例提示必须重视内腔隔离设计。文章强调,采购决策应基于“小批量试制—离线加速试验—影子生产验证—条件性放行”的四阶段准入机制,结合表面参数、工艺相容性、手套成品性能与全生命周期成本进行综合评估,避免依赖供应商宣传数据。; 适合人群:从事医疗器械制造、材料工程、设备采购与工艺质量管理的技术人员及决策管理者,尤其是涉及乳胶手套生产线优化与手模选型的相关从业人员。; 使用场景及目标:①评估铝合金手模替代陶瓷手模的技术可行性与风险边界;②建立手模选型的系统验证流程,防范因表面失效导致的脱模异常、手套缺陷与非计划停机;③指导采购合同中技术条款的制定,确保供应商交付具备可验证数据支撑; 阅读建议:此资源以工程实证为导向,建议读者结合自身产线工艺参数,重点关注外表面Ra控制、内腔双密封设计、影子生产验证方法及失效链追溯体系的构建,在试制阶段严格执行多维度联合判定标准,审慎推进规模化替代。

告警管理的终极守护者:深度揭秘 Alertmanager 的技术哲学与实战智慧

本文深入解析了Prometheus告警系统中的核心组件Alertmanager的设计原理与实战应用。文章首先通过运维人员的真实痛点引出Alertmanager的重要性,随后系统性地阐述了其分层架构、核心技术(包括告警调度、智能分组、抑制规则等)以及高可用机制。重点剖析了Dispatcher调度引擎、NotificationPipeline处理流水线等关键技术实现,并通过配置实例展示了最佳实践方案。文章还提供了性能优化指南、故障排查技巧,以及一个真实生产事故的完整处理案例,凸显Alertmanager在告警降

许泽宇的技术分享 1057

MCGS的Http协议驱动,支持http协议

硬件配置 参数设置 设备属性 设备命令 通讯状态 附录 #HTTP 1、 设备简介 驱动类型 该驱动为独立设备,直接添加构件即可,不需要挂载到父设备下 通讯协议 采用标准HTTP1.1协议 通讯方式 驱动构件为客户端。 2、 硬件连接 本软件在通讯之前,请保证通讯连接正确。通讯连接方式:采用标准的RJ45接口的以太网接线(对调网线或使用HUB交换)。 3、 设备通讯参数 本设备为独立设备,无父设备参数 4、 设备构件参数设置 “HTTP设备”参数设置如下: <1> 内部属性: 构建url信息。 <2> 最小采集周期:本软件对设备进行操作的时间周期,单位为ms,默认为100ms。 <3> 通讯等待时间:通讯数据接收等待时间,默认设置为200ms,当采集速度要求较高或数据量较大时,设置值可适当减小或增大。 <4> HttpHead:http head添加需要的字段,不需要添加http head时值为空,默认不添加。 5、 设备命令 本设备构件提供设备命令,用于进行相应的操作,设备命令的格式如下: 设备命令 命令介绍 GetHttpHead 格式1 GetHttpHead(headStr) 用途 获取http head参数 参数 headStr 参数可以为字符型变量、字符串常量 例1 !SetDevice(设备0,6,"GetHttpHead(headStr)") 获取http head数据保存到headStr中 SetHttpHead 格式1 SetHttpHead(headStr) 用途 设置http head参数 参数 headStr 参数可以为字符型变量、字符串常量

Prometheus监控告警体系搭建过程

本文详细介绍Prometheus监控告警系统的搭建过程,涵盖核心组件如Prometheus Server、Alertmanager和Exporter的工作原理与配置方法,结合云原生环境下的服务发现、告警分组抑制、高可用部署等关键实践,帮助构建高效稳定的可观测性体系。

weixin_34581040的博客 652

【DBO三维路径规划】基于多策略改进的蜣螂算法MSDBO多无人机协同集群避障路径规划(目标函数:最低成本:路径、高度、威胁、转角)研究(Matlab代码实现)

内容概要:本文研究了基于多策略改进的蜣螂优化算法(MSDBO)在多无人机协同集群三维路径规划中的应用,旨在解决复杂三维环境下的避障与最优路径搜索问题。通过构建包含路径长度、飞行高度、威胁规避和转弯角度的综合成本目标函数,利用MSDBO算法对多无人机系统的飞行轨迹进行全局优化,实现在保证安全性与稳定性的前提下达到最低能耗与最优性能的目标。文中详细阐述了算法的多策略改进机制、三维环境建模方法以及多无人机协同避障策略,并通过Matlab仿真平台验证了该方法相较于传统优化算法在收敛速度、路径质量和鲁棒性方面的优越性能。; 适合人群:具备一定优化算法理论基础和无人机控制系统知识的科研人员及研究生,特别适用于从事智能优化算法、多智能体协同控制、路径规划与自主导航等相关领域的研究人员和技术开发者。; 使用场景及目标:①应用于灾害救援、军事侦察、智能巡检等复杂三维场景中多无人机协同任务的路径规划;②为多目标约束下的路径优化、动态避障与能耗平衡问题提供高效的算法支持与仿真验证工具;③推动智能优化算法在无人系统自主决策与协同控制中的实际应用与工程落地。; 阅读建议:建议读者结合提供的Matlab代码深入理解算法的具体实现过程,重点关注目标函数设计、多策略改进机制(如种群初始化、自适应参数调整、局部搜索增强等)及仿真结果分析部分,同时可尝试将该算法迁移至其他智能优化算法框架中进行对比研究,以深化对路径规划问题本质的理解与实践能力的提升。

让 AI 自己“画施工图”——基于扩散模型的智能 CAD 管线生成

AI驱动CAD管线设计革命:Layout2CAD实现30秒自动化出图 针对设计院70%时间耗费在管线绘制的问题,研究团队基于Stable Diffusion开发了Layout2CAD系统,实现建筑草图到DWG施工图的智能转换。该系统采用三阶段流程:语义分割建筑底图→扩散生成多通道Heatmap(含管径/标高信息)→矢量化输出DWG实体,结合129M参数的多模块模型(Diffusion UNet+GraphRefiner)及规范判别器,确保1mm精度并自动满足GB50015-2019标准。

qq_74383080的博客 2019

深入解析Alertmanager中group_wait、group_interval和repeat_interval的告警优化策略

本文深入解析Alertmanager中group_wait、group_interval和repeat_interval三大核心参数的工作原理与交互逻辑。通过实战场景分析,提供针对告警风暴、核心业务保障等不同场景的优化策略,帮助运维人员有效平衡告警的及时性与可读性,构建更高效的监控告警体系。

numpy6sculptor的博客 855

零外围电路!用CH340X实现ESP32一键下载的完整教程

本文详细介绍了如何利用CH340X系列USB转串口芯片实现ESP32的一键自动下载功能,无需任何外围逻辑控制电路。通过解析CH340X的增强型DTR/RTS功能,提供核心电路设计、电压匹配方案,并指导在Arduino IDE和PlatformIO中进行软件配置,帮助开发者构建简洁、可靠且低成本的ESP32下载方案。

gpu4optimizer的博客 782

深入解析Alertmanager中group_wait、group_interval与repeat_interval的告警调度机制

本文深入解析了Alertmanager中group_wait、group_interval与repeat_interval三个核心参数的告警调度机制。通过生动的比喻和实战推演,详细阐述了它们如何协同工作以抑制告警风暴、避免骚扰并实现智能通知。文章还提供了常见的配置误区与针对不同业务场景的优化建议,帮助运维人员有效管理告警流。

code8的博客 196

MMWCAS-DSP-EVM与AWR2243实战:从开箱到数据采集的完整避坑指南

本文提供了MMWCAS-DSP-EVM与AWR2243毫米波雷达评估板从开箱、软硬件准备、固件烧录到数据采集的完整实战指南。重点解析了硬件连接、软件版本匹配、固件烧录、网络配置及MMWave Studio GUI操作等关键步骤,并汇总了常见问题排查方法,帮助开发者快速上手并规避常见陷阱。

algae的博客 506

STM32duino LSM6DSO驱动库:低功耗IMU工程化实践

惯性测量单元(IMU)是智能终端与工业设备实现运动感知的核心传感器,其性能关键在于数据精度、实时响应与系统功耗的协同优化。LSM6DSO作为集成加速度计与陀螺仪的六轴MEMS器件,依托片上有限状态机(FSM)和机器学习核心(MLC),支持自由落体检测、计步器、6D方向识别等硬件自治功能,显著降低主控CPU负载。在STM32平台下,通过深度耦合HAL/LL库、显式引脚管理、DMA加速SPI传输及EXTI中断协同,可实现亚毫秒级事件响应与微安级待机功耗。本文聚焦STM32duino生态中LSM6DSO驱动的工程

weixin_36304957的博客 552

分布式任务监控体系构建:从设计到落地的全链路实践

在微服务与分布式系统架构中,任务调度与异步处理是支撑业务稳定运行的核心组件。其原理在于通过解耦与并行化提升系统吞吐量与可靠性,但随之而来的便是任务执行过程的可观测性挑战。监控体系的技术价值在于将后台作业从“黑盒”变为“白盒”,实现从任务创建、调度、执行到完成的全生命周期追踪,从而快速定位故障、保障SLA。这通常涉及对任务状态、性能指标、资源消耗及业务自定义数据的采集与分析。在应用场景上,无论是基于Celery、Airflow的定时任务,还是依托Kafka、RabbitMQ的消息队列处理,都需要一套统一的监控

shirlly 464

若依ruoyi框架实现单点登录或者接入统一认证

log.info("单点登录用户[{}]不存在, 需要创建.", loginName);log.info("单点登录用户[{}]已存在.", loginName);jsonObjectData.put("nickName","单点1");if (code.equals("0")) {//验证成功需要自动登录。jsonObject.put("msg","验证成功");ajax.put("msg", "登录成功");

GitHub质检员 2万+
上一篇: 递归函数实战:从Pikachu靶场到信息学奥赛的digit函数解析
下一篇: 解码RAGflow设计哲学:当工作流引擎遇见生成式AI
普通网友
博客等级 码龄4年 95粉丝 1459原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值