SkyWalking之告警

概述

op: "<"表示小于指标 触发
op: ">"表示大于指标时触发

• 方式：WebHook
• 配置文件位置：\config\alarm-settings.yml
• 建议不要使用 endpoint 规则，相比 service、instance 规则耗费更多内存及资源
• alarm参考：https://github.com/apache/skywalking/blob/master/docs/en/setup/backend/backend-alarm.md
• metrics参考：https://github.com/apache/skywalking/blob/master/docs/en/concepts-and-designs/oal.md
• oal-scope参考：https://github.com/apache/skywalking/blob/master/docs/en/concepts-and-designs/scope-definitions.md
• 默认 oal：\config\oal\core.oal，可自定义oal于该文件中，后在alarm-settings文件中使用
• example
  • // Calculate the percent of response status is true, for each service.
  • endpoint_success = from(Endpoint.*).filter(status == true).percent()
  • // Calculate the sum of response code in [404, 500, 503], for each service.
  • endpoint_abnormal = from(Endpoint.*).filter(responseCode in [404, 500, 503]).sum()

1. 示例

1.1 在最近10分钟的3分钟内服务平均响应时间超过1000ms：

侧重响应时间超时

  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.

1.2 在最近10分钟的2分钟内服务成功率低于80%

侧重成功率

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

sla参见 你真的了解性能压测中的SLA吗？

1.2.1 SLA定义

：简单来说就是一种指标，用来衡量服务质量的，一般通过百分比来作为考核条件

服务级别协议（英语：service-level agreement，缩写SLA）也称服务等级协议、服务水平协议，是服务提供商与客户之间定义的正式承诺[维基百科定义]。SLA的概念，对互联网公司来说就是网站服务可用性的一个保证。

SLA包括两个要素，一个是SLI,一个是SLO，其中SLI定义的是测量指标；SLO定义的是服务提供的一种状态。

SLI：SLI是经过仔细定义的测量指标，它根据不同系统特点确定要测量什么，SLI的确定是一个非常复杂的过程。SLI确定测量的具体指标，在确定具体指标的时候，需要做到该指标能否准确描述服务质量以及该指标是否可靠。

SLO：SLO(服务等级目标)指定了服务所提供功能的一种期望状态，包含所有能够描述服务应该提供什么样功能的信息。一般描述为：每分钟平均qps > 100k/s；99% 访问延迟 < 500ms；99% 每分钟带宽 > 200MB/s。

1.3 在最近10分钟的3分钟90%服务响应时间超过1秒

侧重超时的比例

  service_p90_sla_rule:
    # Metrics value need to be long, double or int
    metrics-name: service_p90
    op: ">"
    threshold: 1000
    period: 10
    count: 3
    silence-period: 5
    message: 90% response time of service {name} is more than 1000ms in 3 minutes of last 10 minutes

1.4 在最近10分钟的2分钟内服务实例的平均响应时间超过1秒

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

规则中的参数属性解释

Rule name。在告警信息中显示的唯一名称。必须以_rule结尾。规则命名用户自定义

属性	含义
metrics-name	oal脚本中的度量名称 ，不能随便定义
threshold	阈值，与metrics-name和下面的比较符号相匹配
op	比较操作符，可以设定>,<,=
period	多久检查一次当前的指标数据是否符合告警规则，单位分钟
count	达到多少次后，发送告警消息
silence-period	在多久之内，忽略相同的告警消息
message	告警消息内容
include-names	本规则告警生效的服务列表

Metrics name。 也是oal脚本中的度量名。只支持long,double和int类型。详细参数可见解压包下/你的路径apache-skywalking-apm-bin-es7\config\oal\core.oal文件：

service_instance_sla = from(ServiceInstance.*).percent(status == true);
service_instance_resp_time= from(ServiceInstance.latency).longAvg();
service_instance_cpm = from(ServiceInstance.*).cpm();

参考

Skywalking-告警功能实践