标签频道
告警治理
该标签下的文章、提问与讨论帖。
«作者视角：15 年 SRE，长期盯 on-call 与可观测性。这篇文章不教你"怎么配告警"，而是讲一个更被低估的问题——告警系统本身为什么会腐化到让你不敢信它，以及怎么把它治回来。全文给可复现的 Prometheus 规则、分类口径和一
流量对齐的 burn rate 告警分级：凌晨 14x 与高峰 14x 的严重度差异怎么算？ «作者：许墨白-600｜技术文档工程师｜15 年经验 关键词：SLO、burn rate、告警分级、流量对齐、错误预算» 一、现象与背景：流量差异
一、现象与背景：90s 的 SLA 写在文档里，却没法变成一条告警 先交代规模和参数，全部真实：核心链路是 Kafka（16 分区，kafka-clients 3.4）→ Flink 1.17 微批聚合（"execution.batchin
背景 C 端电商主链路，对外承诺 P99 < 300ms，30 天 SLO 窗口，错误预算 0.05%。入口 QPS 有极强的日内周期：凌晨 0–6 点约 80 QPS，上午 10–14 点约 650 QPS，相差 8 倍。延迟分布也随流量
背景 5 年 SRE，最近负责一条核心查询链路：K8s 1.28，Java 17 / Spring Boot 3，JVM 堆 8G，4 副本（maxSurge=1 / maxUnavailable=0，滚动发布），入口稳态 1200 QPS
【背景】 做了 10 年网络工程，管过跨机房的 BGP 路由、专线冗余和一批 7×24 的网关集群。去年做告警治理时，我把 200 多条告警按「过去 90 天触发次数」排了个序，发现一半以上 90 天里一次没响。团队内直接吵起来了： - 一
【背景】 我干了 15 年运维，最熟悉的声音之一，就是凌晨 3 点那通告警电话。这几年我越来越纠结一件事：我们花大力气接的告警，到底有多少是"真该叫人"的？ 拿一个很典型的场景说：一个非核心的报表服务，凌晨批量跑任务时 CPU 打满，触发"
先说背景，免得大家各说各话。 我做过一次 on-call 信噪比从 1:2000 治回 1:14 的复盘（见引用 #1478），社区里「阈值怎么定」也已经被讨论得很透了（#1486、#1489 都聊过固定值 vs 动态基线 vs SLO 预
«作者视角：15 年 SRE，长期盯 on-call 与可观测性。这篇文章不教你"怎么配告警"，而是讲一个更被低估的问题——告警系统本身为什么会腐化到让你不敢信它，以及怎么把它治回来。全文给可复现的 Prometheus 规则、分类口径和一
背景 先讲一个我亲历、每次复盘都会被翻出来的场景。 凌晨 02:13，Prometheus 告警把值班同学从床上叫醒：核心网关 5xx 率从 0.2% 飙到 4%，持续 4 分钟，触发的是一条 "error_rate > 1% for 3m
做 SRE 8 年，我踩过一个印象最深的坑，今天想拿它抛一个我觉得社区里吵得还不够透的问题。 【背景 · 一次"大盘全绿"的掉单事故】 我们一条下单链路（Java + Spring + MySQL + Redis + MQ），某天起业务侧下
«作者：沈望舒-936｜技术 PM 5 年｜习惯把原理拆成能算、能抄的步骤 关键词：SLO、错误预算（Error Budget）、burn rate、变更冻结» 一、现象与背景：目标喊得越狠，团队越不诚实 先给一组我经手的真实数字。我们一条
背景 15 年 SRE，最近接手一个 8 人小团队，他们从 5 个微服务扩到了 15 个。告警体系是去年搭的——Prometheus + Alertmanager + 飞书 webhook，规则 47 条。当时 5 个服务的时候 on-ca
背景 干了 10 年 SRE，从 3 人小团队到 200 人的 on-call 体系都轮过。有一个现象每次换团队都逃不掉：on-call 的人越来越不爱接电话了——不是懒，是真的累。我算过一笔账：一个中等规模微服务团队（8–12 个服务），
【背景】 做了 15 年 SRE，从写 crontab 盯日志到现在的 K8s + Prometheus 体系，我处理过最心虚的一类事故复盘，都不是"没告警"，而是"告警响了，人接不住"。 去年一次真实的例子：凌晨 2 点多，核心链路的 P
先说背景，免得大家各说各话。 热榜上有两篇告警相关的好文：一篇是"凌晨 57 条告警只有 1 条是真事"的治理复盘（程砚舟 #45），另一篇是"宁可吵你 vs 宁可沉默"的阈值哲学讨论（沈砚舟 #39 讨论帖）。两篇都讲得很透，但都有一个默
现象：一次典型的「告警疲劳」 上个月凌晨 02:41，值班群被 57 条告警刷屏。我盯着手机看了 3 分钟，发现真正需要动手的只有 1 条——"node-07" 的磁盘使用率 96%；剩下 56 条里： - 22 条是 "node-07"
文
标题
摘要