Apache SkyWalking 告警配置指南

た入场券 2022-11-16 02:46 415阅读 0赞

### Apache SkyWalking ###

Apache SkyWalking是分布式系统的应用程序性能监视工具（Application Performance Management，APM），专为微服务、云原生架构和基于容器（Docker、K8s、Mesos）架构而设计。

它提供了分布式追踪、服务网格遥测分析、度量聚合和可视化一体化解决方案。

### Apache SkyWalking告警 ###

Apache SkyWalking告警是由一组规则驱动，这些规则定义在`config/alarm-settings.yml`文件中。

告警规则的定义分为三部分。

1.  **告警规则**：定义了触发告警所考虑的条件。
2.  **webhook**：当告警触发时，被调用的服务端点列表。
3.  **gRPCHook**：当告警触发时，被调用的远程gRPC方法的主机和端口。
4.  **Slack Chat Hook**：当告警触发时，被调用的Slack Chat接口。
5.  **微信 Hook**：当告警触发时，被调用的微信接口。
6.  **钉钉 Hook**：当告警触发时，被调用的钉钉接口。

#### 告警规则 ####

告警规则有两种类型，单独规则（Individual Rules）和复合规则（Composite Rules），复合规则是单独规则的组合。

##### 单独规则（Individual Rules） #####

单独规则主要有以下几点：

*  **规则名称**：在告警信息中显示的唯一名称，必须以`_rule`结尾。
 *  **metrics-name**：度量名称，也是OAL脚本中的度量名。默认配置中可以用于告警的度量有：**服务**，**实例**，**端点**，**服务关系**，**实例关系**，**端点关系**。它只支持long,double和int类型。
 *  **include-names**：包含在此规则之内的实体名称列表。
 *  **exclude-names**：排除在此规则以外的实体名称列表。
 *  **include-names-regex**：提供一个正则表达式来包含实体名称。如果同时设置包含名称列表和包含名称的正则表达式，则两个规则都将生效。
 *  **exclude-names-regex**：提供一个正则表达式来排除实体名称。如果同时设置排除名称列表和排除名称的正则表达式，则两个规则都将生效。
 *  **include-labels**：包含在此规则之内的标签。
 *  **exclude-labels**：排除在此规则以外的标签。
 *  **include-labels-regex**：提供一个正则表达式来包含标签。如果同时设置包含标签列表和包含标签的正则表达式，则两个规则都将生效。
 *  **exclude-labels-regex**：提供一个正则表达式来排除标签。如果同时设置排除标签列表和排除标签的正则表达式，则两个规则都将生效。

标签的设置必须把数据存储在meter-system中，例如：Prometheus, Micrometer。以上四个标签设置必须实现`LabeledValueHolder`接口。

*  **threshold**：阈值。

对于多个值指标，例如**percentile**，阈值是一个数组。像`value1` `value2` `value3` `value4` `value5`这样描述。  
每个值可以作为度量中每个值的阈值。如果不想通过此值或某些值触发警报，则将值设置为 `-`。  
例如在**percentile**中，`value1`是P50的阈值，`value2`是P75的阈值，那么`-，-，value3, value4, value5`的意思是，没有阈值的P50和P75的**percentile**告警规则。

*  **op**：操作符，支持`>`, `>=`, `<`, `<=`, `=`。
 *  **period**：多久告警规则需要被检查一下。这是一个时间窗口，与后端部署环境时间相匹配。
 *  **count**：在一个周期窗口中，如果按**op**计算超过阈值的次数达到**count**，则发送告警。
 *  **only-as-condition**：`true`或者`false`，指定规则是否可以发送告警，或者仅作为复合规则的条件。
 *  **silence-period**：在时间N中触发报警后，在**N -> N + silence-period**这段时间内不告警。 默认情况下，它和**period**一样，这意味着相同的告警（同一个度量名称拥有相同的Id）在同一个周期内只会触发一次。
 *  **message**：该规则触发时，发送的通知消息。

举个例子：

rules:
      service_resp_time_rule:
        metrics-name: service_resp_time
        op: ">"
        threshold: 1000
        period: 10
        count: 2
        silence-period: 10
        message: 服务【{ name}】的平均响应时间在最近10分钟内有2分钟超过1秒
      service_instance_resp_time_rule:
        metrics-name: service_instance_resp_time
        op: ">"
        threshold: 1000
        period: 10
        count: 2
        silence-period: 10
        message: 实例【{ name}】的平均响应时间在最近10分钟内有2分钟超过1秒
      endpoint_resp_time_rule:
        metrics-name: endpoint_avg
        threshold: 1000
        op: ">"
        period: 10
        count: 2
        message: 端点【{ name}】的平均响应时间在最近10分钟内有2分钟超过1秒

##### 复合规则（Composite Rules） #####

复合规则仅适用于针对相同实体级别的告警规则，例如都是服务级别的告警规则：`service_percent_rule && service_resp_time_percentile_rule`。  
**不可以**编写不同实体级别的告警规则，例如服务级别的一个告警规则和端点级别的一个规则：`service_percent_rule && endpoint_percent_rule`。

复合规则主要有以下几点：

*  **规则名称**：在告警信息中显示的唯一名称，必须以`_rule`结尾。
 *  **expression**：指定如何组成规则，支持`&&`, `||`, `()`操作符。
 *  **message**：该规则触发时，发送的通知消息。

举个例子：

rules:
      service_resp_time_rule:
        metrics-name: service_resp_time
        op: ">"
        threshold: 1000
        period: 10
        count: 2
        silence-period: 10
        message: 服务【{ name}】的平均响应时间在最近10分钟内有2分钟超过1秒
      service_sla_rule:
        metrics-name: service_sla
        op: "<"
        threshold: 8000
        period: 10
        count: 2
        silence-period: 10
        message: 服务【{ name}】的成功率在最近10分钟内有2分钟低于80％
    composite-rules:
      comp_rule:
        expression: service_resp_time_rule && service_sla_rule
        message: 服务【{ name}】在最近10分钟内有2分钟超过1秒平均响应时间超过1秒并且成功率低于80％

#### Webhook ####

Webhook 要求一个点对点的 Web 容器。告警的消息会通过 HTTP 请求进行发送，请求方法为 `POST`，`Content-Type` 为 `application/json`，JSON 格式包含以下信息：

*  **scopeId**：目标 Scope 的 ID。
 *  **name**：目标 Scope 的实体名称。
 *  **id0**：Scope 实体的 ID。
 *  **id1**：未使用。
 *  **ruleName**：您在 `alarm-settings.yml` 中配置的规则名。
 *  **alarmMessage**. 告警消息内容。
 *  **startTime**. 告警时间戳，当前时间与 UTC 1970/1/1 相差的毫秒数。

举个例子：

[{ 
    	"scopeId": 1, 
    	"scope": "SERVICE",
    	"name": "one-more-service", 
    	"id0": "b3JkZXItY2VudGVyLXNlYXJjaC1hcGk=.1",  
    	"id1": "",  
        "ruleName": "service_resp_time_rule",
    	"alarmMessage": "服务【one-more-service】的平均响应时间在最近10分钟内有2分钟超过1秒",
    	"startTime": 1617670815000
    }, { 
    	"scopeId": 2,
    	"scope": "SERVICE_INSTANCE",
    	"name": "e4b31262acaa47ef92a22b6a2b8a7cb1@192.168.30.11 of one-more-service",
    	"id0": "dWF0LWxib2Mtc2VydmljZQ==.1_ZTRiMzEyNjJhY2FhNDdlZjkyYTIyYjZhMmI4YTdjYjFAMTcyLjI0LjMwLjEzOA==",
    	"id1": "",
        "ruleName": "instance_jvm_young_gc_count_rule",
    	"alarmMessage": "实例【e4b31262acaa47ef92a22b6a2b8a7cb1@192.168.30.11 of one-more-service】的YoungGC次数在最近10分钟内有2分钟超过10次",
    	"startTime": 1617670815000
    }, { 
    	"scopeId": 3,
    	"scope": "ENDPOINT",
    	"name": "/one/more/endpoint in one-more-service",
    	"id0": "b25lcGllY2UtYXBp.1_L3RlYWNoZXIvc3R1ZGVudC92aXBsZXNzb25z",
    	"id1": "",
        "ruleName": "endpoint_resp_time_rule",
    	"alarmMessage": "端点【/one/more/endpoint in one-more-service】的平均响应时间在最近10分钟内有2分钟超过1秒",
    	"startTime": 1617670815000
    }]

#### gRPCHook ####

告警消息将使用 `Protobuf` 类型通过gRPC远程方法发送。消息格式的关键信息定义如下：

syntax = "proto3";
    
    option java_multiple_files = true;
    option java_package = "org.apache.skywalking.oap.server.core.alarm.grpc";
    
    service AlarmService {
        rpc doAlarm (stream AlarmMessage) returns (Response) {
        }
    }
    
    message AlarmMessage {
        int64 scopeId = 1;
        string scope = 2;
        string name = 3;
        string id0 = 4;
        string id1 = 5;
        string ruleName = 6;
        string alarmMessage = 7;
        int64 startTime = 8;
    }
    
    message Response {
    }

#### Slack Chat Hook ####

您需要遵循[传入Webhooks入门指南][Webhooks]并创建新的Webhooks。

如果您按以下方式配置了Slack Incoming Webhooks，则告警消息将按 `Content-Type` 为 `application/json` 通过HTTP的 `POST` 方式发送。

举个例子：

slackHooks:
      textTemplate: |-
        { 
          "type": "section",
          "text": { 
            "type": "mrkdwn",
            "text": ":alarm_clock: *Apache Skywalking Alarm* \n **%s**."
          }
        }
      webhooks:
        - https://hooks.slack.com/services/x/y/z

#### 微信Hook ####

只有微信的企业版才支持 Webhooks ，如何使用微信的 Webhooks 可参见[如何配置群机器人][Link 1]。

如果您按以下方式配置了微信的 Webhooks ，则告警消息将按 `Content-Type` 为 `application/json` 通过HTTP的 `POST` 方式发送。

举个例子：

wechatHooks:
      textTemplate: |-
        { 
          "msgtype": "text",
          "text": { 
            "content": "Apache SkyWalking 告警: \n %s."
          }
        }
      webhooks:
        - https://qyapi.weixin.qq.com/cgi-bin/webhook/send?key=dummy_key

#### 钉钉 Hook ####

您需要遵循[自定义机器人开放][Link 2]并创建新的Webhooks。为了安全起见，您可以为Webhook网址配置可选的密钥。

如果您按以下方式配置了钉钉的 Webhooks ，则告警消息将按 `Content-Type` 为 `application/json` 通过HTTP的 `POST` 方式发送。

举个例子：

dingtalkHooks:
      textTemplate: |-
        { 
          "msgtype": "text",
          "text": { 
            "content": "Apache SkyWalking 告警: \n %s."
          }
        }
      webhooks:
        - url: https://oapi.dingtalk.com/robot/send?access_token=dummy_token
          secret: dummysecret

> 注：本文以SkyWalking的8.2.0版本为例进行介绍，如果版本不同会略有差异。

> 文章持续更新，微信搜索「**万猫学社**」第一时间阅读。  
> 关注后回复「**电子书**」，免费获取12本Java必读技术书籍。

[Webhooks]: https://api.slack.com/messaging/webhooks
[Link 1]: https://work.weixin.qq.com/help?doc_id=13376
[Link 2]: https://ding-doc.dingtalk.com/doc#/serverapi2/qf2nxq/uKPlK