实用异常检测

John Allspaw 在他的致监控/指标/告警公司的公开信 中坚称，试图“在恰当的时间完美地检测到异常是不可能的”。

我曾见过一些有才华的工程师尝试构建系统，以根据时间序列数据自动检测和诊断问题。虽然让演示系统跑起来是可行的，但数据总是充满了太多噪音，导致这种方法除了最简单的现实世界系统外，都无法真正奏效。

但希望并未完全破灭。有许多常见的异常，您可以通过自定义构建的规则来检测和处理。Prometheus 查询语言为您提供了发现这些异常同时避免误报的工具。

构建查询

服务内部的一个常见问题是少数服务器的性能不如其他服务器，例如响应延迟增加。

假设我们有一个指标 instance:latency_seconds:mean5m，它代表服务中每个实例的平均查询延迟，这是通过记录规则从一个 Summary 指标计算得出的。

一个简单的入手方法是查找延迟比平均值高出两个标准差的实例。

  instance:latency_seconds:mean5m
> on (job) group_left()
  (
      avg by (job)(instance:latency_seconds:mean5m)
    + on (job)
      2 * stddev by (job)(instance:latency_seconds:mean5m)
  )

您试用后发现，当延迟值非常集中时，会出现误报。因此，您增加了一个要求，即实例延迟也必须比平均值高出20%。

  (
      instance:latency_seconds:mean5m
    > on (job) group_left()
      (
          avg by (job)(instance:latency_seconds:mean5m)
        + on (job)
          2 * stddev by (job)(instance:latency_seconds:mean5m)
      )
  )
> on (job) group_left()
  1.2 * avg by (job)(instance:latency_seconds:mean5m)

最后，您发现在低流量水平下容易出现误报。您增加了一个要求，即每个实例的流量必须足以达到每秒1次查询。您为所有这些条件创建了一个告警定义。

groups:
- name: Practical Anomaly Detection
  rules:
  - alert: InstanceLatencyOutlier
    expr: >
      (
            (
                instance:latency_seconds:mean5m
              > on (job) group_left()
                (
                    avg by (job)(instance:latency_seconds:mean5m)
                  + on (job)
                    2 * stddev by (job)(instance:latency_seconds:mean5m)
                )
            )
          > on (job) group_left()
            1.2 * avg by (job)(instance:latency_seconds:mean5m)
        and on (job)
            avg by (job)(instance:latency_seconds_count:rate5m)
          >
            1
      )
    for: 30m

自动操作

上述告警可以发送到 Alertmanager，再由 Alertmanager 发送到您的聊天、工单或寻呼系统。一段时间后，您可能会发现，告警的通常原因是一些没有彻底修复方法的问题，但可以通过重启、重置或更换机器等自动化操作来解决。

与其让人类来处理这种重复性任务，一个选择是让 Alertmanager 将告警发送到一个 Web 服务，该服务将执行相应的操作，并带有适当的节流和安全功能。

通用 Webhook 会将告警通知发送到您选择的 HTTP 端点。一个使用它的简单 Alertmanager 配置可能如下所示：

# A simple notification configuration which only sends alert notifications to
# an external webhook.
receivers:
- name: restart_webhook
  webhook_configs:
    url: "http://example.org/my/hook"

route:
  receiver: restart_webhook

总结

Prometheus 查询语言允许对您的监控数据进行丰富的处理。这使您能够创建具有良好信噪比的告警，而 Alertmanager 的通用 Webhook 支持可以触发自动修复。这一切结合起来，使值班工程师能够专注于他们能产生最大影响的问题上。

在为您的服务定义告警时，另请参阅我们的告警最佳实践。