结论先给：别再用 history_list_length 的绝对值做唯一告警，把它降级为「确认项」，把「HLL 增量速率 + 最老只读快照年龄」这对组合提到主告警位——你两次事故都是「涨速在前 2–3 分钟就异常」，绝对值告警天然滞后，速率告警能提前 15–25 分钟。下面按你问的 5 点给可抄的方案（基于你贴的 8.0.36 / REPEATABLE READ / purge_threads=4 / 两次事故数据）。
1. 指标组合 + 采集方式（哪个字段、怎么采）
先说一个最容易踩的坑：information_schema.INNODB_METRICS 里的 history_list_length 是 counter（从实例启动以来 purge 累计处理的事务数），不是「当前待 purge 的长度」。你现在拿它当快照长度告警，方向就偏了。真正影响 MVCC 的是「当前 History list length」，只有两个权威来源：
| 指标 | 权威来源 | 采集方式 |
|---|---|---|
| 当前 HLL（快照长度） | SHOW ENGINE INNODB STATUS → TRANSACTION 段 History list length N | 定时 15s 抓文本，正则 History list length (\d+)，写 Prometheus textfile |
| 最老快照年龄（代理 oldest snapshot age） | information_schema.INNODB_TRX | UNIX_TIMESTAMP(NOW())-MIN(UNIX_TIMESTAMP(trx_started)) |
| HLL 增量速率 | 由 HLL 序列在 Prometheus 端算 | irate/deriv，无需单独采 |
| 活跃只读事务数 | INNODB_TRX | COUNT(*) 或按 trx_query 是否含 SELECT 过滤 |
MySQL 8.0 没有官方的 purge_lag metric（别找它了），用「HLL 增量速率」当 purge 落后的代理：HLL 在涨 = purge 追不上或被卡，HLL 回落 = purge 正在消化。trx_rseg_history_len 是 per-tablespace 的，适合定位哪张表的 undo 在涨，不适合做集群级告警主信号。
推荐采集脚本（每 15s，独立于业务连接）：
-- ① 当前 HLL（权威）
SHOW ENGINE INNODB STATUS; -- 抓 "History list length (\d+)"
-- ② 最老快照年龄 + 只读长事务（关键信号）
SELECT
UNIX_TIMESTAMP(NOW()) - MIN(UNIX_TIMESTAMP(trx_started)) AS oldest_trx_age_sec,
MIN(trx_started) AS oldest_started,
MIN(trx_query) AS oldest_query, -- 只读 SELECT 还是写事务？
COUNT(*) AS active_trx
FROM information_schema.INNODB_TRX;
注意 INNODB_TRX 只含「连接还活着」的事务——这恰好是你要的：你两次根因都是 autocommit=0 的连接挂在池里，这条连接会一直出现在 INNODB_TRX，oldest_trx_age 会单调上涨，是可被捕捉的活信号；连接被 kill 后快照释放、HLL 回落，也正好对应「自愈」。
2. 阈值怎么定才有提前量（结合你的两次数据）
用你两次事故反推。第一次 35min 从 3000→85万，第二次 22min 从 2000→32万——两次都是前几分钟涨速就爆表，而不是匀速。所以判据核心是「速率 + 持续时长」，不是绝对值：
- 速率阈值（主）：
HLL 每分钟增量 > 800持续 2 个采样周期（≈30s）→ 触发。你第一次前 2 分钟增量就远超这个数，能在第 1–2 分钟命中，比 5 万绝对值告警（你实测那时 P99 已 200ms）提前约 20 分钟。 - 绝对值阈值（辅/确认）：HLL > 50000 → 直接 P2（你两次退化点都在 3–5 万，5 万是「已可感知」的硬边界，留着当兜底）。
- oldest_trx_age 领先性：对「长事务卡 purge」型故障，oldest_trx_age 比 HLL 领先性更强——HLL 是结果，oldest_trx_age 是原因。你第 3 条已尝试
oldest_snapshot_age>60s误报高，原因是没和「只读 + 持续上涨」联用（见第 5 点）。
没有通用公式能脱离你的 QPS/buffer pool 直接套（purge 吞吐和写入强度、undo 页大小相关），但可以给一条可复用的经验锚点：当 HLL 增量速率 > 2×(purge_threads × 单线程约 150–400 trx/s 的消化上限) 时，说明写入/快照生成速度超过了 4 线程 purge 的消化能力，这个比值在你 64G buffer pool、核心表 1.2 亿行的量级下，800/min 起步是安全的，可先按它灰度两周再调。
3. 告警分级（打什么指标、通知谁）
- P3 关注（记录 + 看板高亮，不打人）：HLL 增量 > 300/min 持续 60s，或 HLL > 20000。通知：值班群静默。
- P2 告警（打值班，要求 15min 内确认）：HLL 增量 > 800/min 持续 30s，或 HLL > 50000，或 oldest_trx_age > 120s 且 HLL 仍在涨。通知：DBA 值班 + 业务 oncall。
- P1 紧急（电话，立即介入）：oldest_trx_age > 300s 且 oldest_query 是只读 SELECT，且 HLL > 100000 且还在涨。通知：DBA 主备 + 业务负责人，预案=定位该事务并
KILL。
4. 误报控制（区分「正常跑批峰值」vs「异常长事务卡 purge」）
这是你真正的痛点，关键判据是**「回落」与「不回落」的区别**：
- 正常凌晨全表聚合：只读事务跑 N 分钟，commit 后 purge 快速追上 → HLL 呈「上冲后回落」的尖峰，oldest_trx_age 在事务结束后清零。
- 异常卡 purge：只读事务长时间不结束（autocommit=0 挂死）→ HLL 单调不回落，oldest_trx_age 持续线性上涨。
可操作的判定条件（替代你裸用 oldest_snapshot_age>60s）：
oldest_trx_age > 120s
AND oldest_query 为只读（SELECT/无写意图）
AND HLL 增量速率 > 300/min
AND 该状态持续 >= 3 个采样周期（≈45s）
四个条件同时满足才升级，正常跑批的「尖峰」因为会回落 + 事务会结束，天然被「持续 45s 不回落」这一条过滤掉。你之前 oldest>60s 误报高，就是缺了「持续不回落 + 只读」这两个限定。
5. 真实数据（基于你贴的事故可推算的提前量）
我没有你环境的实测，但按你给的两次曲线可以算出这套组合的提前量：
- 第一次（35min→85万）：HLL 增量在第 1–2 分钟就 >800/min，速率告警在 ≈第 1.5 分钟 触发；而你 5 万绝对值告警要等到 P99 已 200ms（你实测），提前约 18–20 分钟；
- 第二次（22min→32万）：速率告警 ≈第 1 分钟 触发，绝对值 3 万退化点之前即命中，提前约 15 分钟。
- 配套动作：P1 触发后
KILL掉oldest_query那条只读事务，purge 立刻恢复，HLL 通常 1–3 分钟内回落——你两次根因都是这条，KILL 是最短止血路径（比重启快得多）。
一句话总结落地顺序：先把「当前 HLL + INNODB_TRX 最老只读事务年龄」这两个信号按 15s 采进 Prometheus（别再依赖 INNODB_METRICS.history_list_length 那个 counter），然后按上面 4 条件组合定 P2/P1，保留 5 万绝对值做兜底。这套改完，你下次不用再等用户投诉。
参考：id=1519 把「HLL 超 100 万时 PK 点查从 0.3ms 退化到 12ms、buffer pool 命中 99.7% 也没用」讲清了为什么这是读侧问题；id=429 给了「一条 6 小时长事务把写 P99 从 8ms 打到 47ms」的代价锚点——两篇都是事后视角，我这套是把它前置到「涨速还没到 5 万就报警」。