Skywalking告警功能
Skywalking告警功能是在6.x版本新增的，其核心由一组规则驱动，这些规则定义在config/alarm-settings.yml 文件中。告警规则定义分为两部分：
1、告警规则：它们定义了应该如何触发度量警报，应该考虑什么条件
2、webhook（网络钩子）：定义当告警触发时，哪些服务终端需要被告知
一、告警规则
告警规则有两种类型：单独规则、复合规则
1.1、单独规则
rules:
# 规则唯一名称，必须以'_rule'结尾.
service_resp_time_rule:
# 度量名称，也是OAL脚本中的度量名，目前Service, Service Instance, Endpoint的度量可以用于告警
metrics-name: service_resp_time
# [可选]默认，匹配此指标中的所有服务
include-names:
- service_a
- service_b
exclude-names:
- service_c
# 阈值，对于多种指标值的如percentile可以配置P50、P75、P90、P95、P99的阈值
threshold: 75
# 操作符
op: <
# 评估度量标准的时间长度
period: 10
# 度量有多少次符合告警条件后，才会触发告警
count: 3
# 检查多少次，告警触发后保持沉默，默认周期相同
silence-period: 10
# 该规则触发时，发送的通知消息
message: Response time of service {name} is more than 50ms in 1 minutes of last 1 minutes.
1.2、复合规则
复合规则仅适用于针对相同实体级别的告警规则
例如都是服务级别的告警规则：service_percent_rule && service_resp_time_percentile_rule 不适用于编写不同实体级别的告警规则
rules:
service_resp_time_rule:
metrics-name: service_resp_time
op: ">"
threshold: 1000
period: 10
count: 2
silence-period: 10
message: 服务【{name}】的平均响应时间在最近10分钟内有2分钟超过1秒
service_sla_rule:
metrics-name: service_sla
op: "<"
threshold: 8000
period: 10
count: 2
silence-period: 10
message: 服务【{name}】的成功率在最近10分钟内有2分钟低于80％
composite-rules:
# 规则名称：在告警信息中显示的唯一名称，必须以_rule结尾
comp_rule:
# 指定如何组成规则，支持&&, ||, ()操作符
expression: service_resp_time_rule && service_sla_rule
message: 服务【{name}】在最近10分钟内有2分钟平均响应时间超过1秒并且成功率低于80％
告警规则配置项说明：
- Rule name: 规则名称，也是在告警信息中显示的唯一名称。必须以’_rule’结尾，前缀可以自定义
- metrics name：度量名称，取值为脚本中的度量名，目前只支持long、double、int类型。
- include name：该规则作用于哪些实体名称，比如：服务名，终端名（可选，默认为全部）
- exclude name：该规则不作用于哪些实体名称，比如：服务名，终端名（可选，默认为空）
- op: 操作符：目前支持 > , < , = 【当然你可以自己扩展开发其他的操作符】
- threshold：阈值/目标值：指标数据的目标数据 如sample中的1000就是服务响应时间，配合上操作符就是大于1000ms的服务响应
- period: 告警检查周期：多久检查一次当前的指标数据是否符合告警规则
- counts: 在一个period窗口中，如果values超过threshold值，达到counts值需要发送警报
- silence-period：忽略相同告警信息的周期
- message：告警信息
- webhooks：服务告警通知服务地址
默认告警规则
- 过去 3 分钟内服务平均响应时间超过 1 秒
- 最后2分钟服务成功率低于80%
- 最近 3 分钟内服务响应时间超过 1s 的百分比
- 服务实例在过去 2 分钟内平均响应时间超过 1s，并且实例名称与正则表达式匹配
- 过去 2 分钟内端点平均响应时间超过 1 秒
- 过去 2 分钟内数据库访问平均响应时间超过 1 秒
- 过去 2 分钟内端点关系平均响应时间超过 1 秒
支持的Hook类型
- WebHook（可以简单理解位一种web层面的回调机制，通常由一些事件出发，与代码中得事件回调类似，只不过是Web层面的。由于是web层面的，所以当事件发生时，回调的不再是代码中得方法或函数，而是服务接口。例如：在告警这个场景，告警就是一个事件，当该事件发生时，Skywalking就会主动去调用一个配置好的接口，该接口就是所谓的webhook。skywalking的告警消息会通过HTTP请求进行发送，请求方法为POST，Content-Type为application/json，其JSON数据基于List进行序列化的。）
- GRPCHook
- SlackHook
- WechatHook
- DingtalkHook
- FeishuHook
- 测试钉钉告警
测试
由于上面配置了阈值是50ms，多点几次应用接口，到告警页面可见如下告警：
钉钉告警示例
修改配置：
tee /skywalking/apache-skywalking-apm-bin-es7/config/alarm-settings.yml <<-'EOF'
dingtalkHooks:
textTemplate: |-
{
"msgtype": "text",
"text": {
"content": "Apache SkyWalking Alarm: \n %s."
}
}
webhooks:
- url: https://oapi.dingtalk.com/robot/send?access_token=xxxxx
secret: xxxxx
EOF
如下：
钉钉告警效果：
webhook，编写回调接口
Skywalking通过HttpClient的方式远程调用在配置项webhooks中定义的告警通知服务地址：
了解了SW所传送的数据格式我们就可以对告警信息进行接收处理，实现我们需要的告警通知服务啦！我们将一个服务停掉，并将另外一个服务的某个对外暴露的接口让他休眠一定的时间。然后调用一定的次数观察服务的状态信息以及告警情况。
打开源码&Live-Demo工程
修改oap-server/server-bootstrap/src/main/resources/alarm-settings.yml文件覆盖如下配置(最近1分钟内，应用平均响应时间超过50ms次数达到1次)
rules:
service_resp_time_rule:
metrics-name: service_resp_time
threshold: 50
op: ">"
period: 1
count: 1
message: Response time of service {name} is more than 50ms in 1 minutes of last 1 minutes.
dingtalkHooks:
textTemplate: |-
{
"msgtype": "text",
"text": {
"content": "Apache SkyWalking Alarm: \n %s."
}
}
webhooks:
- url: https://oapi.dingtalk.com/robot/send?access_token=xxx
secret: xxx
启动OAP服务
org.apache.skywalking.oap.server.starter.OAPServerStartUp
启动UI服务
org.apache.skywalking.apm.webapp.ApplicationStartUp
启动Eureka test.skywalking.springcloud.test.eureka.service.EurekaService_Main
启动ProjectB
test.skywalking.springcloud.test.projectb.ProjectB_Main
执行 curl http://localhost:8762/projectB/test
等待1min中后，访问Skywalking UI界面中的告警界面可以看到对应的告警信息
同时，钉钉群中也可以看到推送的消息
原文：https://blog.csdn.net/wb4927598/article/details/119192445