自定义 Prometheus 告警规则

Prometheus 中的告警规则允许你基于 PromQL 表达式定义告警触发条件，Prometheus 后端对这些触发规则进行周期性计算，当满足触发条件后则会触发告警通知。默认情况下，用户可以通过 Prometheus 的 Web 界面查看这些告警规则以及告警的触发状态。当 Promthues 与 Alertmanager 关联之后，可以将告警发送到外部服务如Alertmanager 中并通过 Alertmanager 可以对这些告警进行进一步的处理。

定义告警规则

一条典型的告警规则如下所示：

  1. groups:
  2. - name: example
  3.   rules:
  4.   - alert: HighErrorRate
  5.     expr: job:request_latency_seconds:mean5m{job="myjob"} > 0.5
  6.     for: 10m
  7.     labels:
  8.       severity: page
  9.     annotations:
  10.       summary: High request latency
  11.       description: description info

在告警规则文件中，我们可以将一组相关的规则设置定义在一个group下。在每一个group中我们可以定义多个告警规则(rule)。一条告警规则主要由以下几部分组成：

  • alert：告警规则的名称。
  • expr：基于PromQL表达式告警触发条件，用于计算是否有时间序列满足该条件。
  • for：评估等待时间，可选参数。用于表示只有当触发条件持续一段时间后才发送告警。在等待期间新产生告警的状态为pending。
  • labels：自定义标签，允许用户指定要附加到告警上的一组附加标签。
  • annotations：用于指定一组附加信息，比如用于描述告警详细信息的文字等，annotations的内容在告警产生时会一同作为参数发送到Alertmanager。

为了能够让Prometheus能够启用定义的告警规则，我们需要在Prometheus全局配置文件中通过rule_files指定一组告警规则文件的访问路径，Prometheus启动后会自动扫描这些路径下规则文件中定义的内容，并且根据这些规则计算是否向外部发送通知：

  1. rule_files:
  2.   [ - <filepath_glob> ... ]

默认情况下Prometheus会每分钟对这些告警规则进行计算，如果用户想定义自己的告警计算周期，则可以通过evaluation_interval来覆盖默认的计算周期：

  1. global:
  2.   [ evaluation_interval: <duration> | default = 1m ]

模板化

一般来说，在告警规则文件的annotations中使用summary描述告警的概要信息，description用于描述告警的详细信息。同时Alertmanager的UI也会根据这两个标签值，显示告警信息。为了让告警信息具有更好的可读性，Prometheus支持模板化label和annotations的中标签的值。

通过$labels.<labelname>变量可以访问当前告警实例中指定标签的值。$value则可以获取当前PromQL表达式计算的样本值。

  1. # To insert a firing element's label values:
  2. {{ $labels.<labelname> }}
  3. # To insert the numeric expression value of the firing element:
  4. {{ $value }}

例如，可以通过模板化优化summary以及description的内容的可读性：

  1. groups:
  2. - name: example
  3.   rules:
  5.   # Alert for any instance that is unreachable for >5 minutes.
  6.   - alert: InstanceDown
  7.     expr: up == 0
  8.     for: 5m
  9.     labels:
  10.       severity: page
  11.     annotations:
  12.       summary: "Instance {{ $labels.instance }} down"
  13.       description: "{{ $labels.instance }} of job {{ $labels.job }} has been down for more than 5 minutes."
  15.   # Alert for any instance that has a median request latency >1s.
  16.   - alert: APIHighRequestLatency
  17.     expr: api_http_request_latencies_second{quantile="0.5"} > 1
  18.     for: 10m
  19.     annotations:
  20.       summary: "High request latency on {{ $labels.instance }}"
  21.       description: "{{ $labels.instance }} has a median request latency above 1s (current value: {{ $value }}s)"

查看告警状态

如下所示，用户可以通过Prometheus WEB界面中的Alerts菜单查看当前Prometheus下的所有告警规则，以及其当前所处的活动状态。

告警活动状态

告警活动状态

同时对于已经pending或者firing的告警，Prometheus也会将它们存储到时间序列ALERTS{}中。

可以通过表达式，查询告警实例：

  1. ALERTS{alertname="<alert name>", alertstate="pending|firing", <additional alert labels>}

样本值为1表示当前告警处于活动状态（pending或者firing），当告警从活动状态转换为非活动状态时，样本值则为0。

实例：定义主机监控告警

修改Prometheus配置文件prometheus.yml,添加以下配置：

  1. rule_files:
  2.   - /etc/prometheus/rules/*.rules

在目录/etc/prometheus/rules/下创建告警文件hoststats-alert.rules内容如下：

  1. groups:
  2. - name: hostStatsAlert
  3.   rules:
  4.   - alert: hostCpuUsageAlert
  5.     expr: sum(avg without (cpu)(irate(node_cpu{mode!='idle'}[5m]))) by (instance) > 0.85
  6.     for: 1m
  7.     labels:
  8.       severity: page
  9.     annotations:
  10.       summary: "Instance {{ $labels.instance }} CPU usgae high"
  11.       description: "{{ $labels.instance }} CPU usage above 85% (current value: {{ $value }})"
  12.   - alert: hostMemUsageAlert
  13.     expr: (node_memory_MemTotal - node_memory_MemAvailable)/node_memory_MemTotal > 0.85
  14.     for: 1m
  15.     labels:
  16.       severity: page
  17.     annotations:
  18.       summary: "Instance {{ $labels.instance }} MEM usgae high"
  19.       description: "{{ $labels.instance }} MEM usage above 85% (current value: {{ $value }})"

重启 Prometheus 后访问 Prometheus UI http://127.0.0.1:9090/rules 可以查看当前以加载的规则文件。

告警规则

告警规则

切换到 Alerts 标签 http://127.0.0.1:9090/alerts 可以查看当前告警的活动状态。

告警规则活动状态

告警活动状态

此时，我们可以手动拉高系统的CPU使用率，验证 Prometheus 的告警流程，在主机上运行以下命令：

  1. cat /dev/zero>/dev/null

运行命令后查看CPU使用率情况，如下图所示：

告警活动状态

Prometheus 首次检测到满足触发条件后，hostCpuUsageAlert 显示由一条告警处于活动状态。由于告警规则中设置了 1m 的等待时间，当前告警状态为 PENDING，如下图所示：

自定义 Prometheus 告警规则 - 图5

如果1分钟后告警条件持续满足，则会实际触发告警并且告警状态为FIRING，如下图所示：

自定义 Prometheus 告警规则 - 图6

接下来

在这一小节中介绍了如何配置和使用 Prometheus 提供的告警能力，并且尝试实现了对主机 CPU 以及内存的告警规则设置。目前为止，我们只能通过 Prometheus UI 查看当前告警的活动状态。接下来，接下来我们将尝试利用Prometheus 体系中的另一个组件 Alertmanager 对这些触发的告警进行处理，实现告警通知。