skywalking之alarm配置详细说明

官方文档 link

skywalking版本：9.0.1

• 9.0.0版本告警有bug: Can’t split service id into 2 parts 官方在9.1.0修复了

配置文件说明

• alarm-settings.yml 默认配置内容

rules:
  # Rule unique name, must be ended with `_rule`.
  # 1.0
  service_resp_time_rule:
    metrics-name: service_resp_time
    op: ">"
    threshold: 1000
    period: 10
    count: 3
    silence-period: 5
    message: Response time of service {name} is more than 1000ms in 3 minutes of last 10 minutes.
  # 2.0
  service_sla_rule:
    # Metrics value need to be long, double or int
    metrics-name: service_sla
    op: "<"
    threshold: 8000
    # The length of time to evaluate the metrics
    period: 10
    # How many times after the metrics match the condition, will trigger alarm
    count: 2
    # How many times of checks, the alarm keeps silence after alarm triggered, default as same as period.
    silence-period: 3
    message: Successful rate of service {name} is lower than 80% in 2 minutes of last 10 minutes
  # 3.0
  service_resp_time_percentile_rule:
    # Metrics value need to be long, double or int
    metrics-name: service_percentile
    op: ">"
    threshold: 1000,1000,1000,1000,1000
    period: 10
    count: 3
    silence-period: 5
    message: Percentile response time of service {name} alarm in 3 minutes of last 10 minutes, due to more than one condition of p50 > 1000, p75 > 1000, p90 > 1000, p95 > 1000, p99 > 1000
  # 4.0
  service_instance_resp_time_rule:
    metrics-name: service_instance_resp_time
    op: ">"
    threshold: 1000
    period: 10
    count: 2
    silence-period: 5
    message: Response time of service instance {name} is more than 1000ms in 2 minutes of last 10 minutes
  # 5.0
  database_access_resp_time_rule:
    metrics-name: database_access_resp_time
    threshold: 1000
    op: ">"
    period: 10
    count: 2
    message: Response time of database access {name} is more than 1000ms in 2 minutes of last 10 minutes
  # 6.0
  endpoint_relation_resp_time_rule:
    metrics-name: endpoint_relation_resp_time
    threshold: 1000
    op: ">"
    period: 10
    count: 2
    message: Response time of endpoint relation {name} is more than 1000ms in 2 minutes of last 10 minutes

1. service_resp_time_rule（服务响应时间）

service_resp_time_rule:
  metrics-name: service_resp_time
  op: ">"
  threshold: 1000
  period: 10
  count: 3
  silence-period: 5
  message: Response time of service {name} is more than 1000ms in 3 minutes of last 10 minutes.

• metrics-name: 监控的指标名称，service_resp_time 表示服务的响应时间。
• op: 比较操作符，这里是 >，表示当响应时间大于阈值时触发告警。
• threshold: 阈值，设置为 1000 毫秒，表示响应时间超过 1000 毫秒时触发告警。
• period: 在过去的 10 分钟内进行检查的时间窗口，单位是分钟。
• count: 条件必须满足多少次才能触发告警，这里是 3 次，表示响应时间超过 1000 毫秒的次数达到 3 次。
• silence-period: 在告警触发后多少次检查不会重新触发告警，默认与 period 相同，这里是 5 次。
• message: 告警消息模板，表示服务的响应时间超过 1000 毫秒。

2. service_sla_rule（服务的 SLA成功率）

service_sla_rule:
  metrics-name: service_sla
  op: "<"
  threshold: 8000
  period: 10
  count: 2
  silence-period: 3
  message: Successful rate of service {name} is lower than 80% in 2 minutes of last 10 minutes

• metrics-name: service_sla，表示服务的 SLA（服务级别协议）成功率。
• op: <，表示当成功率低于阈值时触发告警。
• threshold: 阈值为 8000，表示成功率低于 80% 时触发告警。
• period: 10 分钟时间窗口。
• count: 成功率低于 80% 的次数为 2 次时触发告警。
• silence-period: 告警触发后，告警在接下来的 3 次检查中不会重复触发。
• message: 提供告警的消息模板，显示服务的 SLA 成功率低于 80%。

3. service_resp_time_percentile_rule（服务的百分位响应时间）

service_resp_time_percentile_rule:
  metrics-name: service_percentile
  op: ">"
  threshold: 1000,1000,1000,1000,1000
  period: 10
  count: 3
  silence-period: 5
  message: Percentile response time of service {name} alarm in 3 minutes of last 10 minutes, due to more than one condition of p50 > 1000, p75 > 1000, p90 > 1000, p95 > 1000, p99 > 1000

• metrics-name: service_percentile，表示服务的百分位响应时间指标。
• op: >，表示当响应时间的某个百分位大于阈值时触发告警。
• threshold: 列出多个阈值，分别对应 P50、P75、P90、P95、P99 的响应时间。
• period: 10 分钟时间窗口。
• count: 如果有 3 次超过这些阈值，则触发告警。
• silence-period: 告警触发后，5 次检查期间不会触发新的告警。
• message: 告警消息，指出多个百分位（如 P50、P75 等）响应时间超过了 1000 毫秒。

4. service_instance_resp_time_rule（服务实例的响应时间）

service_instance_resp_time_rule:
  metrics-name: service_instance_resp_time
  op: ">"
  threshold: 1000
  period: 10
  count: 2
  silence-period: 5
  message: Response time of service instance {name} is more than 1000ms in 2 minutes of last 10 minutes

• metrics-name: service_instance_resp_time，表示服务实例的响应时间。
• op: >，表示当实例的响应时间大于阈值时触发告警。
• threshold: 阈值为 1000 毫秒。
• period: 10 分钟时间窗口。
• count: 2 次超过阈值时触发告警。
• silence-period: 5 次检查期间不会触发告警。
• message: 告警消息模板，提示服务实例响应时间过长。

5. database_access_resp_time_rule（数据库访问的响应时间）

database_access_resp_time_rule:
  metrics-name: database_access_resp_time
  threshold: 1000
  op: ">"
  period: 10
  count: 2
  message: Response time of database access {name} is more than 1000ms in 2 minutes of last 10 minutes

• metrics-name: database_access_resp_time，表示数据库访问的响应时间。
• op: >，表示数据库访问响应时间大于阈值时触发告警。
• threshold: 阈值为 1000 毫秒。
• period: 10 分钟时间窗口。
• count: 2 次超过阈值时触发告警。
• message: 告警消息模板，提示数据库响应时间过长。

6. endpoint_relation_resp_time_rule（端点相关的响应时间）

endpoint_relation_resp_time_rule:
  metrics-name: endpoint_relation_resp_time
  threshold: 1000
  op: ">"
  period: 10
  count: 2
  message: Response time of endpoint relation {name} is more than 1000ms in 2 minutes of last 10 minutes

• metrics-name: endpoint_relation_resp_time，表示与端点相关的响应时间。
• op: >，表示响应时间大于阈值时触发告警。
• threshold: 阈值为 1000 毫秒。
• period: 10 分钟时间窗口。
• count: 2 次超过阈值时触发告警。
• message: 告警消息模板，提示端点相关的响应时间过长。

实战文章： link