Prometheus 告警

github alertmanager 文档
Prometheus Alerting rules
Prometheus alerting configuration

前几篇文章讲了Prometheus的监控，这一篇文章，讲通过监控指标触发告警

常用的告警方式有发邮件、调用指定接口(webhook) 等。本文讲解webhook方式，完成这个示例需要准备4个组件：prometheus、node_exporter、alertmanagers、接受webhook调用的web服务

1

首先准备一个rule_file，机器的近1分钟负载超过0.8，就触发告警。如下：
my_rules.yml：

groups: # 一组告警规则
- name: cpu_gt30 # 这个组的名称
  rules:  # 下面可以写多条规则
  - alert: cpu_usage_high  # 告警名称
    expr: node_load1 > 0.8  # PromQL 表达式（计算规则）
    for: 1m # 持续超标1分钟才触发
    labels:
      severity: warning # 告警级别，可选字段为warning、critical和emergency
    annotations: # 告警的描述信息
      summary: "{{$labels.instance}}: 节点CPU使用率过高"
      description: "{{$labels.instance}}: CPU使用率超过 80% (当前: {{ $value }}"

上面配置中expr和for是比较重要的。prometheus每隔一段时间就会计算一下expr是否满足触发条件。
如果expr计算结果不满足，这条告警就是inactive状态：

如果计算结果满足这条规则就变成了pending状态：

如果连续1分钟（for配置的值）expr都满足，就会触发告警，变成firing状态

2

修改alertmanager配置文件：
alertmanager.yml

route:
  group_by: ['alertname']  # 根据alertname标签进行分组，具有相同标签的告警将被视为一组，聚合成一条发送。alertname标签 对应rule文件里的 alert: cpu_usage_high
  group_wait: 30s # 告警分组的时间窗口，如果第一个告警触发后，30秒内又触发了具有相同alertname的告警，它们将被合并为一个告警组
  group_interval: 5m # 告警组的刷新间隔。每5分钟，Alertmanager 会重新评估告警组，并将新的告警添加到现有的组中
  repeat_interval: 1h # 告警的重复间隔。如果一个告警已经被发送，那么在告警状态没有变化的情况下，它会每隔1小时再次发送
  receiver: 'web.hook'
receivers:
  - name: 'web.hook'
    webhook_configs:
      - url: 'http://192.168.254.1:5000/alert'

启动alertmanager ./alertmanager --config.file=./alertmanager.yml

3

修改prometheus配置文件为如下内容
prometheus.yml：

global:
  ... # 省略一些与本节内容无关的配置
  evaluation_interval: 15s # Evaluate rules every 15 seconds. The default is every 1 minute.

# Alertmanager configuration
alerting:
  alertmanagers:
    - static_configs:
        - targets:
          - 192.168.243.99:9093

# Load rules once and periodically evaluate them according to the global 'evaluation_interval'.
rule_files:
  - "/my_rules.yml"

使用上述配置文件启动prometheus

4

起一个web服务，接受webhook调用：

from fastapi import FastAPI, Request
import uvicorn

app = FastAPI(debug=False)

@app.post("/alert")
async def print_args(request: Request):
    body = await request.json()
    print(body)

    return {}

if __name__ == '__main__':
    uvicorn.run(app, host="0.0.0.0", port=5000)

运行python脚本使CPU飙高：

import math
import time

def cpu_intensive_task():
    while True:
        for i in range(1000000):
            math.sqrt(i)

try:
    cpu_intensive_task()
except KeyboardInterrupt:
    print("exited")

然后静待告警触发，你会看到上面3个告警状态的变化，web服务收到的请求参数为：

{'receiver': 'web.hook',
     'status': 'firing',
     'alerts': [{'status': 'firing',
                 'labels': {'alertname': 'cpu_usage_high',
                            'instance': '192.168.243.99:9100',
                            'job': 'node_exporter',
                            'severity': 'warning'},
                 'annotations': {
                     'description': '192.168.243.99:9100: CPU使用率超过 80% (当前: 0.97',
                     'summary': '192.168.243.99:9100: 节点CPU使用率过高'},
                 'startsAt': '2024-10-22T14:02:11.03Z',
                 'endsAt': '0001-01-01T00:00:00Z',
                 'generatorURL': 'http://f2f05a8126f0:9090/graph?g0.expr=node_load1+%3E+0.8&g0.tab=1',
                 'fingerprint': 'd3155240a05e4626'}],
     'groupLabels': {'alertname': 'cpu_usage_high'},
     'commonLabels': {'alertname': 'cpu_usage_high',
                      'instance': '192.168.243.99:9100',
                      'job': 'node_exporter',
                      'severity': 'warning'},
     'commonAnnotations': {'description': '192.168.243.99:9100: CPU使用率超过 80% (当前: 0.97',
                           'summary': '192.168.243.99:9100: 节点CPU使用率过高'},
     'externalURL': 'http://master:9093',
     'version': '4',
     'groupKey': '{}:{alertname="cpu_usage_high"}',
     'truncatedAlerts': 0}

等待告警解除后，又会收到一个 告警已解决的通知

{'receiver': 'web.hook', 'status': 'resolved', ...} # 其余部分更上面差不多，就不粘贴出来了