AIAI学习站从第 1 课开始
课程 304 / 365
83%
部署与可靠性·判断·13 分钟
正文已完成

能行动的告警才值得叫醒人

用用户影响、持续时间、严重度和处置手册判断告警是否有效。

L304

每次异常都通知会让团队学会忽略通知。有效告警应指向正在发生或即将发生的用户影响，有明确严重度、持续窗口、责任人和第一步动作；用于分析但无需即时行动的信号应进入看板而非寻呼。

这一课的结果

能识别噪声告警，并把阈值改成与用户影响和可执行动作相关的条件。

核心概念

先把关键判断说清楚

01

症状优先于内部原因

先按用户错误率、可用性和延迟告警，再用 CPU、队列深度等原因信号诊断。

02

窗口过滤瞬时噪声

单点尖峰未必需要响应；持续时间、多窗口或错误预算消耗能降低抖动。

03

每条告警都有处置入口

通知应包含影响、时间、当前值、相关看板和第一步 Runbook，而不是只有“异常”。

案例拆解

CPU 90% 告警改成用户影响告警

批处理每天让 CPU 短暂达到 95%，值班人员频繁被叫醒，但请求延迟和错误率正常。

  1. 01

    把 CPU 高值降为看板诊断信号，不再单独寻呼。

  2. 02

    建立关键请求 5 分钟错误率和 p95 延迟的用户症状告警。

  3. 03

    只有症状超阈值且持续两个窗口时寻呼，并附容量与批处理 Runbook。

案例结果

噪声显著减少，影响用户的事件仍能及时触达。

提交前练习

现在轮到你

把一条现有资源告警重写成可行动的用户影响告警。

内容会自动保存在当前设备
查看参考答案与评分标准

参考答案

症状是支付成功率低于 98%；窗口是连续 5 分钟且请求数>100，恢复需连续10分钟>99.5%；严重度 P1，支付值班10分钟响应；Runbook 先查依赖错误率和最近发布，必要时切备用通道。

评分标准

  • 告警直接对应用户影响
  • 窗口过滤低流量与尖峰
  • 通知后有明确责任和安全动作

本课收口 · 学习证据

完成，不等于随手打一个勾。

确认阅读、保存练习，再用 30 秒检查和一句话总结留下真实学习证据。

0 / 3
02完成本课练习0 / 4 项必填内容已填写
03通过理解检查约 30 秒
哪条告警最适合直接寻呼值班人员？
你现在更接近哪一种状态？
完成上面三项后，才能把本课记为已验证。

资料来源

继续核对与延伸阅读

本课内容最近更新于 。