实用的异常检测

在他的致监控/指标/警报公司的公开信中，John Allspaw 断言，试图“在正确的时间完美地检测异常是不可能的”。

我曾见过一些才华横溢的工程师试图构建系统，以根据时间序列数据自动检测和诊断问题。虽然演示确实可以成功，但数据总是噪声过大，使得这种方法除了最简单的实际系统之外，无法应用于其他任何情况。

然而，希望并未完全破灭。有许多常见的异常可以通过定制规则来检测和处理。Prometheus 查询语言为您提供了发现这些异常的工具，同时避免了误报。

构建查询

服务中常见的问题是，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，表示服务每个实例的平均查询延迟，它是通过记录规则从 Summary 指标计算得出的。

一个简单的开始方法是寻找延迟超过平均值两个标准差的实例

  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)
  )

您尝试后发现，当延迟非常集中时，会出现误报。因此，您添加了一个要求，即实例延迟也必须高于平均值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，您发现误报往往发生在流量较低时。您添加了一个要求，即每个实例必须有足够的流量，达到每秒1次查询。您为此创建了一个警报定义

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

上述警报可以输入到 Alertmanager，然后从那里发送到您的聊天、工单或寻呼系统。过了一段时间，您可能会发现警报的常见原因是无法通过适当修复解决的问题，但存在诸如重启、重引导或机器替换等自动化操作可以解决该问题。

与其让人类处理这项重复性任务，一个选择是让 Alertmanager 将警报发送到一个 Web 服务，该服务将执行此操作，并具有适当的节流和安全功能。

通用 webhook 将警报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警报，并且 Alertmanager 的通用 webhook 支持可以触发自动修复。所有这些结合起来，使值班工程师能够专注于他们能产生最大影响的问题。

在为您的服务定义警报时，另请参阅我们的警报最佳实践。