摘要：例如，把提示无效信用卡账号的告警替换为一个可执行的告警，比如指示用户支付成功率急剧下降的告警可能系统会做出较大的变化，需要回滚操作。因此，不断完善告警也是同样非常重要的，所以要养成定期浏览和删除不可执行告警的习惯。
对于运维团队而言，很多告警其实并不能帮助他们解决掉实际的问题，相反有时会加重多余的负担，这主要是因为大多数的告警并不具备足够的可执行性：
它们指出的问题压根儿不需要响应
它们缺少关键的信息，迫使你需要花费很长的时间去寻找更多的源头，用以来估量它们的紧迫性
过量的不可执行告警会造成告警疲劳，浪费时间和资源，从而耽误你解决实质性的问题，可能这些已经在你身边正悄无声息地发生着：
你是否自动忽略收到的多余告警？
你是否收到很多与你无关的告警？
每当你收到告警时，是否为了获得你真正需要的信息而采取一系列常规的行动？
如果有以上这样的情况，就能确定你是在遭受着告警疲劳，本篇将会列出四种常见的不可执行告警及其解决办法。
问题：标题是告警的重要组成部分，因为它是你第一眼看到的东西。含糊不清的标题会迫使人们为了获取更多的信息而对告警主体进行不必要的挖掘，而当不同的告警使用相似的标题时，会使你感到更加沮丧、困惑，导致时间和精力上的浪费。
例子：在收到标题为「CPU LOAD 1.90」的告警后，你又收到一个标题为「CPU LOAD 1.80」的告警。这俩告警是否是关于同一个服务器的呢？负载1.80是否关键？这个问题会有什么影响？如果告警能提供解答而不是添加更多的问题，岂不是更好吗？
改进措施：所有的告警标题都应该简短且具有一定的描述性，它们应该让人在看到第一眼的时候就知道问题是什么，出现在哪里并且需要怎样去解决。例如「Server billing-1 load is critical for 5 min」就比「CPU LOAD 1.80」更具有执行性。
问题：告警的内容通常是有限或者模糊的，导致我们为了获取更深层次的理解，往往会花费大量的时间去解读这些告警，以求查找到更多的信息。有时，在 Nagios，Graphite，Pingdom 或 New Relic 的某处发现了相关的信息，但实际上大量的时间并不是用在了解决问题上，而是花在了寻找上面。
例子：在解决服务器过载问题时，大家都是使用着差不多的套路：譬如连接服务器，查看 load 值等。而且，下次一个相似的告警发生时，你还得一次次地执行这些相同的步骤。
改进措施：我们熟练的打开操作系统键入问题信息，来追踪那些告警的源头去进行整体考量。假如告警信息这个载体能呈现给我们更多有用的源信息的话，比如：执行的行为或者相关资源的链接（这些资源包括脚本、协议或者研发者对问题发生原因的理解），那么对于决策和追踪排查的效能就会有很明显地提升.
问题：生产环境是复杂且动态的。为了保持系统的稳定性，运维和研发团队需要读取到重要的系统信息。直觉告诉我们，这需要将每个告警和异常通知都给到这些人，然而实际上，大多数的告警收到后并没有采取有效措施，并且还时常会把有用的告警覆盖掉。
例子：用户输入无效的信用卡账号，会立即发送告警，这个信息应该非常值得关注才对。但我们不能控制用户的行为，所以一般情况下这个告警只是额外的噪声而已，对此我们也毫无办法。
改进措施：如果收到告警后不能立即采取行动，那就别发送它，而去找到需要你做出反应的问题。例如，把提示无效信用卡账号的告警替换为一个可执行的告警，比如指示用户支付成功率急剧下降的告警———可能系统会做出较大的变化，需要回滚操作。另外一种解决办法是采用每日或每周报告，汇总不需要实时处理的信息。这样，真正有用的信息就可以实时地被接收来处理。
问题：在很多公司中，每个人都接收着所有的告警———这种工作模式通常用于小团队，每个人都参与着所有的事情。然而，当团队规模变大，人们开始分工时，「告警风暴」很快就变成了拖累。
例子：我们使用的第三方支付提供的数据库连接出现了问题，此时交给DBA团队处理并不能很好的FIX掉问题，还很有可能因为其他原因被忽视。
改进措施：只向和告警相关的人发送告警。由于告警会由多个不同的来源导致，在这些情况下，我们可以为每个来源创建特定的告警，选择指定的路径，使决策更加合理化。
具有执行性的告警可以大大减轻你的痛苦，提高每天的工作效率。通过上面提到的简单改变，可以产生巨大的影响。在如今快节奏的环境中，可执行的告警也许很快就变得不相干了。因此，不断完善告警也是同样非常重要的，所以要养成定期浏览和删除不可执行告警的习惯。
在 OneAlert，我们重点帮助你更好地管理、追踪、休止和分派你的告警，当然如果你有其他对抗告警可执行性地措施，也欢迎在评论区留下你宝贵的意见。
本文转自 OneAPM 官方博客
文章版权归作者所有，未经允许请勿转载,若此文章存在违规行为，您可以联系管理员删除。
转载请注明本文地址：https://www.ucloud.cn/yun/7965.html
摘要：调查研究表明，当数据中心停机时间的损失平均每分钟近，美元时，避免这种事件是节省数据中心成本的首个也是效果最为显著的方法。在调研机构波洛蒙研究所进行的一项年调查中，数据中心停机的平均损失超过万美元，最高的损失达到万美元以上。调查研究表明，当数据中心停机时间的损失平均每分钟近9，000美元时，避免这种事件是节省数据中心成本的首个也是效果最为显著的方法。不过，以下有四种方法可以帮助组织的数据中心避...
摘要：告警关联唯一使监控和报警都步入正轨的好办法，就是通过告警关联。企业如果适应了告警关联，信息告警的图表盘上确实能减少很多压力。 上节回顾 对于许多 IT 和运维团队来说，Nagios 既是一个福音也是一个诅咒。一方面，Naigos 在 IT 应用的工作领域中，给予了你可以实时查看告警数据的可能性；但是另一方面，Nagios 也能够生成超级多的告警，对于任何一个运维人员或是运维团队来说都是...
摘要：再如通过处理流数据生成简单的报告，如五分钟的窗口聚合数据平均值。复杂的事情还有在流数据中进行数据多维度关联聚合塞选，从而找到复杂事件中的根因。因为各种需求，也就造就了现在不断出现实时计算框架，而下文我们将重磅介绍我们推荐的实时计算框架。 前言 先广而告之，本文摘自本人《大数据重磅炸弹——实时计算框架 Flink》课程第二篇，内容首发自我的知识星球，后面持续在星球里更新，这里做个预告，今...
阅读 2454·2021-10-22 09:55
阅读 1747·2021-09-27 13:35
阅读 1140·2021-08-24 10:02
阅读 1235·2019-08-30 15:55
阅读 1100·2019-08-30 14:13
阅读 3352·2019-08-30 13:57
阅读 1874·2019-08-30 11:07
阅读 2324·2019-08-29 17:12
