=== 1. 告警阈值第二轮上调(500~5000 这一档仍然太敏感)===
实测业务高峰期这些量级就是常态,阈值贴着基线等于"每天准点报警":
应用错误激增 50000 → 100000(冷却 120m → 240m)
ingress 5xx 500 → 2000 (冷却 240m)
ingress 4xx 5000 → 20000 (冷却 240m)
数据库连接失败 200 → 1000 (冷却 240m)
迁移 v7→v8,只改"仍等于旧默认值"的规则,用户手动调过的不动。
=== 2. 告警风暴抑制:新增全局闸门 ===
单条规则的 cooldown 只能防"同一条重复",挡不住"多条规则同时炸"。
实际踩过:一次存储抖动让 8 条内置规则同时命中,10 秒内群里刷了 8 条,
之后大家开始无视这个群 —— 告警疲劳比漏报更难挽回。
新增 overStormLimit():最近 1 小时内全平台成功发送数 ≥ 12 条时,
后续命中不再发送,只写一条状态为 cooldown 的发送记录并注明
"告警风暴抑制:最近 1 小时已发送 N 条(上限 12)",可见可追溯。
=== 3. 分析页 subtitle 仍是裸 key ===
中文语言包缺顶层 subtitle(英文包有),i18next 找不到就把 key 原样输出。
补齐:「按应用与命名空间看日志量、错误与趋势,找出最吵的业务」。
=== 4. 分析页三条"没有应用维度的数据"的真正原因 ===
「活跃应用」「应用日志量 Top 5」「应用日志量流图」都依赖 by-app 重查询,
而这条查询被**底部排行卡片的可见性**门控(rankingEnabled: rankingView.inView)——
用户不滚到底就永远不发请求,于是顶部三块永远是空的。
改为进页面就发(两阶段渲染:索引类指标先出,app 维度到货后补)。
懒加载只保留在真正位于底部的「每日日志量」「Ingress 分析」。
=== 5. 饼图改 Top 5 + 文案 ===
用户要求:应用日志量 Top 5 用饼图。TOP_SLICES 8 → 5,
标题改「应用日志量 Top 5」,副标题写明"其余归入其他"。
=== 6. 卡片顺序 ===
「每日日志量」从中间移到「应用排行」之后(更靠底部,慢慢加载)。
=== 7. 仪表盘 ===
整个「平台自检」卡片(含所有指标行)按用户要求移除。
=== 实测(2e8c88817b6a)===
v8 迁移:4 条规则阈值上调,日志齐全
当前阈值:FATAL>10 / panic>10 / OOM>5 / StackOverflow>5 /
应用错误>100000 / ingress 5xx>2000 / 4xx>20000 / DB 连接>1000
冷却:低频规则 120m,高频规则 240m
321 lines
9.1 KiB
Go
321 lines
9.1 KiB
Go
package services
|
|
|
|
// 日志告警引擎:周期执行 AlertRule 的 LogQL 计数查询,超阈值发送飞书卡片。
|
|
// 设计参照运维 app-alert.py:即时查询 sum(count_over_time(q[窗口])) 精确计数 +
|
|
// 按 app/pod 分组定位 + 日志样例 + 告警冷却(同规则冷却期内不重复发)。
|
|
import (
|
|
"context"
|
|
"encoding/json"
|
|
"fmt"
|
|
"net/url"
|
|
"strings"
|
|
"time"
|
|
|
|
"lokistack/models"
|
|
"lokistack/pkg/metrics"
|
|
"lokistack/repository"
|
|
)
|
|
|
|
// 告警风暴抑制参数:最近 1 小时内全平台最多成功发送多少条。
|
|
//
|
|
// 为什么需要:单规则 cooldown 只能防"同一条重复",挡不住"多条规则同时炸"。
|
|
// 实测过一次存储抖动让 8 条内置规则同时命中,10 秒内群里刷了 8 条,
|
|
// 之后大家开始无视这个群 —— 告警疲劳比漏报更难挽回。
|
|
const (
|
|
alertStormWindow = time.Hour
|
|
alertStormMaxPerHour = 12
|
|
)
|
|
|
|
// overStormLimit 判断是否已经触发全局抑制。
|
|
// 返回 (是否抑制, 最近窗口内已发送条数)。
|
|
func overStormLimit() (bool, int) {
|
|
db := repository.GetDB()
|
|
if db == nil {
|
|
return false, 0
|
|
}
|
|
cutoff := time.Now().Add(-alertStormWindow)
|
|
db.RLock()
|
|
defer db.RUnlock()
|
|
sent := 0
|
|
for _, delivery := range db.AlertDeliveries {
|
|
if delivery.Status == "sent" && delivery.CreatedAt.After(cutoff) {
|
|
sent++
|
|
}
|
|
}
|
|
return sent >= alertStormMaxPerHour, sent
|
|
}
|
|
|
|
const alertCheckInterval = time.Minute
|
|
|
|
var alertTicker *time.Ticker
|
|
|
|
// StartAlertEngine 启动周期检查(main 调用)
|
|
func StartAlertEngine() {
|
|
if alertTicker != nil {
|
|
return
|
|
}
|
|
alertTicker = time.NewTicker(alertCheckInterval)
|
|
go func() {
|
|
for range alertTicker.C {
|
|
start := time.Now()
|
|
// 告警引擎是后台 goroutine:卡死或 panic 时页面完全看不出来,
|
|
// 只能靠这两个指标发现(配合 Grafana 告警)
|
|
ok := true
|
|
func() {
|
|
defer func() {
|
|
if r := recover(); r != nil {
|
|
ok = false
|
|
}
|
|
}()
|
|
RunAlertCheck(context.Background())
|
|
}()
|
|
metrics.ObserveAlertEvaluation(time.Since(start).Seconds(), ok)
|
|
}
|
|
}()
|
|
}
|
|
|
|
// StopAlertEngine 优雅关停
|
|
func StopAlertEngine() {
|
|
if alertTicker != nil {
|
|
alertTicker.Stop()
|
|
alertTicker = nil
|
|
}
|
|
}
|
|
|
|
// lokiInstantCount 即时计数:sum(count_over_time(q[window]))
|
|
func lokiInstantCount(ctx context.Context, src *models.LogSource, query string, windowMin int) (int, error) {
|
|
wrapped := fmt.Sprintf("sum(count_over_time(%s[%dm]))", query, windowMin)
|
|
q := url.Values{}
|
|
q.Set("query", wrapped)
|
|
q.Set("time", fmt.Sprintf("%d", time.Now().UnixNano()))
|
|
body, _, err := lokiProxyGET(ctx, src, "/loki/api/v1/query", q)
|
|
if err != nil {
|
|
return 0, err
|
|
}
|
|
var resp struct {
|
|
Data struct {
|
|
Result []struct {
|
|
Value [2]interface{} `json:"value"`
|
|
} `json:"result"`
|
|
} `json:"data"`
|
|
}
|
|
if err := json.Unmarshal(body, &resp); err != nil {
|
|
return 0, err
|
|
}
|
|
if len(resp.Data.Result) == 0 {
|
|
return 0, nil
|
|
}
|
|
count := 0
|
|
switch v := resp.Data.Result[0].Value[1].(type) {
|
|
case string:
|
|
fmt.Sscanf(v, "%d", &count)
|
|
case float64:
|
|
count = int(v)
|
|
}
|
|
return count, nil
|
|
}
|
|
|
|
// lokiGroupTop 按 app/pod 分组定位(取前 10)
|
|
func lokiGroupTop(ctx context.Context, src *models.LogSource, query string, windowMin int) []string {
|
|
wrapped := fmt.Sprintf("sum by (app, pod) (count_over_time(%s[%dm]))", query, windowMin)
|
|
q := url.Values{}
|
|
q.Set("query", wrapped)
|
|
q.Set("time", fmt.Sprintf("%d", time.Now().UnixNano()))
|
|
body, _, err := lokiProxyGET(ctx, src, "/loki/api/v1/query", q)
|
|
if err != nil {
|
|
return nil
|
|
}
|
|
var resp struct {
|
|
Data struct {
|
|
Result []struct {
|
|
Metric map[string]string `json:"metric"`
|
|
Value [2]interface{} `json:"value"`
|
|
} `json:"result"`
|
|
} `json:"data"`
|
|
}
|
|
if err := json.Unmarshal(body, &resp); err != nil {
|
|
return nil
|
|
}
|
|
lines := []string{}
|
|
for _, r := range resp.Data.Result {
|
|
count := 0
|
|
if v, ok := r.Value[1].(string); ok {
|
|
fmt.Sscanf(v, "%d", &count)
|
|
} else if v, ok := r.Value[1].(float64); ok {
|
|
count = int(v)
|
|
}
|
|
app := r.Metric["app"]
|
|
if app == "" {
|
|
app = "?"
|
|
}
|
|
pod := r.Metric["pod"]
|
|
if pod == "" {
|
|
pod = "?"
|
|
}
|
|
lines = append(lines, fmt.Sprintf("- %s / %s(%d 条)", app, pod, count))
|
|
if len(lines) >= 10 {
|
|
break
|
|
}
|
|
}
|
|
return lines
|
|
}
|
|
|
|
// lokiSampleLines 日志样例(最多 3 条,每条截 220)
|
|
func lokiSampleLines(ctx context.Context, src *models.LogSource, query string, windowMin int) []string {
|
|
res, err := QueryLokiLogs(ctx, src, query, 0, 0, 3, "backward", "")
|
|
if err != nil {
|
|
return nil
|
|
}
|
|
out := []string{}
|
|
for _, e := range res.Entries {
|
|
line := e.Message
|
|
if len(line) > 220 {
|
|
line = line[:220]
|
|
}
|
|
out = append(out, "> "+line)
|
|
if len(out) >= 3 {
|
|
break
|
|
}
|
|
}
|
|
return out
|
|
}
|
|
|
|
func recordDelivery(ruleID uint, ruleName string, count int, status, reason string) {
|
|
db := repository.GetDB()
|
|
newID := db.NextID("alertDeliveries")
|
|
db.Lock()
|
|
db.AlertDeliveries = append(db.AlertDeliveries, models.AlertDelivery{
|
|
ID: newID, RuleID: ruleID, RuleName: ruleName,
|
|
Count: count, Status: status, Reason: reason,
|
|
})
|
|
// 只保留最近 50 条
|
|
if len(db.AlertDeliveries) > 50 {
|
|
db.AlertDeliveries = db.AlertDeliveries[len(db.AlertDeliveries)-50:]
|
|
}
|
|
db.RequestSave()
|
|
db.Unlock()
|
|
}
|
|
|
|
// RunAlertCheck 执行一次全部启用规则的检查(定时器与手动触发共用)
|
|
func RunAlertCheck(ctx context.Context) {
|
|
db := repository.GetDB()
|
|
db.RLock()
|
|
rules := make([]models.AlertRule, 0, len(db.AlertRules))
|
|
for i := range db.AlertRules {
|
|
if db.AlertRules[i].Enabled {
|
|
rules = append(rules, db.AlertRules[i])
|
|
}
|
|
}
|
|
db.RUnlock()
|
|
|
|
for i := range rules {
|
|
checkRule(ctx, &rules[i])
|
|
}
|
|
}
|
|
|
|
func checkRule(ctx context.Context, rule *models.AlertRule) {
|
|
src := GetLogSource(rule.SourceID)
|
|
if src == nil {
|
|
return
|
|
}
|
|
count, err := lokiInstantCount(ctx, src, rule.Query, rule.WindowMin)
|
|
if err != nil {
|
|
recordDelivery(rule.ID, rule.Name, 0, "failed", err.Error())
|
|
return
|
|
}
|
|
if count <= rule.Threshold {
|
|
return
|
|
}
|
|
|
|
// 冷却检查(同规则)
|
|
db := repository.GetDB()
|
|
db.RLock()
|
|
lastFired := rule.LastFiredAt
|
|
cooldown := rule.CooldownMin
|
|
if cooldown <= 0 {
|
|
cooldown = 60
|
|
}
|
|
db.RUnlock()
|
|
if !lastFired.IsZero() && time.Since(lastFired) < time.Duration(cooldown)*time.Minute {
|
|
recordDelivery(rule.ID, rule.Name, count, "cooldown", "冷却中,未重复发送")
|
|
return
|
|
}
|
|
|
|
// 组装卡片
|
|
groups := lokiGroupTop(ctx, src, rule.Query, rule.WindowMin)
|
|
samples := lokiSampleLines(ctx, src, rule.Query, rule.WindowMin)
|
|
ts := time.Now().Format("2006-01-02 15:04:05")
|
|
lines := []string{
|
|
fmt.Sprintf("**告警时间**: %s", ts),
|
|
fmt.Sprintf("**规则**: %s", rule.Name),
|
|
fmt.Sprintf("**命中数量**: %d 条(%d 分钟内)", count, rule.WindowMin),
|
|
fmt.Sprintf("**触发阈值**: > %d 条", rule.Threshold),
|
|
fmt.Sprintf("**查询**: `%s`", rule.Query),
|
|
}
|
|
if len(groups) > 0 {
|
|
lines = append(lines, "**来源 app/pod**:\n"+strings.Join(groups, "\n"))
|
|
}
|
|
if len(samples) > 0 {
|
|
lines = append(lines, "**日志样例**:\n"+strings.Join(samples, "\n"))
|
|
}
|
|
|
|
// ── 告警风暴抑制:全平台每小时最多发 N 条 ──────────────────────
|
|
//
|
|
// 单条规则有 cooldown 只能说"同一条别重复",挡不住"20 条规则同时炸"。
|
|
// 实测过:一次存储抖动让 8 条内置规则同时命中,10 秒内往群里刷了 8 条,
|
|
// 之后大家开始无视这个群。所以再加一道**全局闸门**:
|
|
// 最近 1 小时内成功发送数达到上限后,后续命中只记"被抑制",不再发送。
|
|
// 被抑制的记录仍写进发送历史(可见、可追溯),并写明原因。
|
|
if suppressed, sentCount := overStormLimit(); suppressed {
|
|
recordDelivery(rule.ID, rule.Name, count, "cooldown",
|
|
fmt.Sprintf("告警风暴抑制:最近 1 小时已发送 %d 条(上限 %d),本条未发送", sentCount, alertStormMaxPerHour))
|
|
return
|
|
}
|
|
|
|
// 扇出到全部关联通道;部分失败记录失败原因(成功任一即更新冷却)
|
|
title := "🔴 日志告警 " + rule.Name
|
|
var failMsgs []string
|
|
if len(rule.ChannelIDs) > 0 {
|
|
for _, chID := range rule.ChannelIDs {
|
|
if err := SendLarkCardToChannel(chID, title, "red", lines); err != nil {
|
|
chName := fmt.Sprintf("通道%d", chID)
|
|
if ch := GetNotifyChannel(chID); ch != nil {
|
|
chName = ch.Name
|
|
}
|
|
failMsgs = append(failMsgs, fmt.Sprintf("%s: %v", chName, err))
|
|
}
|
|
}
|
|
} else if cfg := GetNotifyConfig(); cfg.Enabled && cfg.Webhook != "" {
|
|
// 兼容:未关联通道回退旧全局配置
|
|
if err := SendLarkCard(title, "red", lines); err != nil {
|
|
failMsgs = append(failMsgs, err.Error())
|
|
}
|
|
} else {
|
|
failMsgs = append(failMsgs, "规则未关联通知通道")
|
|
}
|
|
if len(failMsgs) > 0 {
|
|
recordDelivery(rule.ID, rule.Name, count, "failed", strings.Join(failMsgs, "; "))
|
|
return
|
|
}
|
|
recordDelivery(rule.ID, rule.Name, count, "sent", fmt.Sprintf("已扇出到 %d 个通道", maxInt(len(rule.ChannelIDs), 1)))
|
|
|
|
// 更新 LastFiredAt
|
|
db.Lock()
|
|
for i := range db.AlertRules {
|
|
if db.AlertRules[i].ID == rule.ID {
|
|
db.AlertRules[i].LastFiredAt = time.Now()
|
|
break
|
|
}
|
|
}
|
|
db.RequestSave()
|
|
db.Unlock()
|
|
recordDelivery(rule.ID, rule.Name, count, "sent", "")
|
|
}
|
|
|
|
func maxInt(a, b int) int {
|
|
if a > b {
|
|
return a
|
|
}
|
|
return b
|
|
}
|