云监控怎么配才不吵？告警规则的四条经验

刚上云时兴冲冲配了一堆告警，结果每天收到几十条短信，一周后全员把告警群静音。等真的出故障，反而没人看。

经验一：只对「需要人立刻行动」的指标告警。CPU超过百分之九十持续五分钟，值得叫人；磁盘使用率百分之七十，不需要半夜打电话，白天处理就行。

经验二：设置合理的持续时间。瞬时尖刺非常常见，要求持续三到五个周期才触发，能过滤掉绝大部分误报。

经验三：分级。P1级走电话和短信，比如核心站点不可用；P2级走企业微信，比如响应时间超过两秒；P3级只进日报，比如磁盘增长趋势。级别不同，打扰方式不同。

经验四：告警要带上下文。只发一句「CPU高」，收到的人还得自己登录查。把实例名、当前值、近一小时趋势、关联的最近变更一起推过去，处理效率差别很大。

必配的几项基础告警：站点可用性、CPU持续高负载、内存使用率、磁盘使用率、公网带宽跑满、数据库连接数、慢查询数、证书到期。这八项覆盖了八成常见故障。

证书到期特别值得单独设，很多站点出事都是因为证书过期，而这种问题完全可以提前三十天预警。

告警发出去要有人认领。建议设一个值班表，谁值班谁负责初步判断，避免所有人都以为是别人的事。

监控配好之后，每月复盘一次误报率。误报超过三成的规则，要么调阈值，要么干脆删掉。具体模板可以在【技术讨论QQ群：546946590，资深云服务专家微信：cloud7591】里索取。