论一个合格的NOC-SLA场景是如何养成的

1、合格前言

在所有的景何互联网企业中 
，告警经常性的养成误告，都是合格让技术人员最头疼的问题之一。试想一下
，景何在凌晨两三点时，养成你收到了来自告警平台的合格电话告警，于是景何你揉了揉惺忪的双眼 ，短暂的养成回味了下刚才的云计算美梦 ，下床打开电脑，合格开始排查问题，景何却发现这是养成一个误告，线上业务都是合格在有序的运行当中  ，于是景何你关上电脑，重新上床睡觉，养成但此时你已睡意全无，在床上辗转反侧一个小时才睡着，于是乎  ，第二天同事看到了一脸沧桑的服务器租用你。这种误告一次两次还能接受，但如果是每隔一天或者是每晚都会触发呢 ？

因此在互联网行业中，频繁的误告通常会遇见如下几个问题：

单位时间内有效信息获取率变低，技术人员很难从频繁的误告中得到真正有问题的告警；

真正的问题发生时 ，犹如《狼来了》一样，认为都是误告，大大加长了问题的发现时间；

降低技术人员的源码库工作效率，每天都沉浸在对于各种告警的处理当中
，降低人员产出；

2、治理

在对于SLA告警的摸索阶段 ，团队就已经预估到后面可能面临着大量噪音的骚扰，因此组建起一个告警测试群 ，用于针对性的调优；团队为了测试线上告警误告水位
，测试性地将SLA场景告警规则进行接入。果不其然，上个厕所回来
，群里已经积攒上百条告警了 ，根本无法提取出有效的模板下载告警
，其原因就是我们的告警规则配置都是相对单一的，全天候就一条规则，如：

为了在告警正式上线后 ，大家晚上能有一个如婴儿般的睡眠，我们自然而然的就启动了对于噪音的治理工作。而告警噪音的治理最重要的就是源码下载对于利弊的权衡 ，如果阈值设置过高
，可能线上问题无法发现；如果阈值过低，又会导致噪音频发，所以对于阈值的调整里边有很大的学问 。

区分业务场景 。我们创新性地将场景分为平稳型、波浪型 、突发型 ，它们的定义如下：

平稳型  ：日常流量波动在30%以内，流量波动小；

波浪型
：日常流量波动在30%以外 ，流量波动较大；

突发型
：日常流量波动在30%以内，免费模板但在遇见某些突发情况下
，如重大活动或者时间
，波动会超过30%；

针对不同类型的场景，我们也拥有不同的告警配置方案 ，比如平稳型，那么就可以评估一下该场景的波动范围，在其正常的波动的范围内，进行设置阈值，比如大部分时间我们的取消订单，相比于前七天的平均值，波动在30%以内，如下：

那么我们经过两三天的观测，我们就可以将告警阈值设置在30%
，于是告警的设置就会如下：

上升告警也是同理，将阈值设置到30%。

那么针对于波浪形告警，我们的阈值范围可能就会设置的大一点 ，比如到50%，并且设置与昨日同比等多种规则来限制噪音，例如：

这样我们配置的规则就会相对复杂，利用昨日以及基线的量来进行综合判断 。

在我们告警都上了之后 ，发现白天的噪音相对有了一定的改善 ，但夜间由于流量波动大，导致经常性流量波动比能大于30%
，进而触发告警 ，如下图所示：

如果在这个时候，我们为了适应夜间的大波动 ，而将30%的阈值拉长 ，修改到50%甚至80%
，这样的话确实在一定程度上降低了噪音的产生；但在另一方面 ，我们的告警发现率可能会大大降低。假如出现线上故障的时候 ，流量波动下小于我们设置的阈值范围，那么整个配置都没有意义 。在这个时候 ，我们就开始构思区分白天和夜间 ，跑两套规则，保证噪音相对较低的同时，也能反映出线上的问题，于是取消订单的规则就变成了如下所示：

与此同时，我们也发现，线上流量并不稳定 ，可能这段时间低一点，过段时间来个大促，流量就上升的厉害，导致告警频繁的触发，这个时候技术人员又会面临大量的告警骚扰，而很难从中发现真正有问题的告警 。

10月1号大盘数据

告警触发数据

在此基础上，整个团队集思广益，讨论如何破局
。因此就有了如下的解决方案，既然线上流量是实时波动的
 ，容易受各种事件影响，那么基线为何一定要简单粗暴的只取前七天的一个平均值呢？为何我们不能在此基础上，让基线也可以动态调整，并且尽可能匹配线上流量呢？

如上图所示，当我们实时流量与线上真实流量偏差较大的时候
，我们可能让基线尽可能的靠近线上实时流量，从而更好的评估线上流量水平 ，不至于让我们的告警失灵，产生过多的噪音；针对取消订单场景  ，我们也做了如下调整 ：

调整前（红色部分表示波动超过30%）

调整后（红色部分表示波动超过30%）

从大盘上可以看到
，明显经过调整后，大部分时候的波动能够保持在30%内，大大减少了噪音的产生
。

C端告警数据

B端告警数据

整个团队在现有基础成果上，为了减小人员的投入以及负担，开始探索能否有一种手段，可以让大家不为了应对线上水位变化，而频繁调整SLA场景基线呢？

答案就是智能基线 ，智能基线它能根据过往的数据，智能的推测出流量的曲线图，并评估出流量的最高水位（上限）以及最低水位（下限），在保证告警噪音相对较小的情况下，帮助我们更便捷以及灵敏的发现线上问题  ，并且保鲜周期也能进一步拉长，配置规则也进一步简单化，便捷化
。

时间段

告警等级

平稳性

波浪形

突发型

白天

P0

任意条件：

XX总量最近30s求和与智能基线值环比下跌XX%

XX总量最近30s求和与智能基线值环比上升XX%

所有条件 ：

XX总量最近30s求和与预测上线比高于XX

XX总量最近30s求和与智能基线值环比上升XX%

P1

任意条件 ：

XX总量最近30s求和与智能基线值环比下跌XX%&持续XX个点位

XX总量最近30s求和与智能基线值环比上升XX%&持续XX个点位

任意条件
：

XX总量最近30s求和与预测上线比高于XX&持续XX个点位

XX总量最近30s求和与预测下线比低于XX&持续XX个点位

任意条件：

XX总量最近30s求和与预测上线比高于XX&持续XX个点位

XX总量最近30s求和与预测下线比低于XX&持续XX个点位

P2

夜间

P0

所有条件：

XX总量最近30s求和与预测上线比高于XX&XX总量最近30s求和与智能基线值环比上升XX%

XX总量最近30s求和与预测下线比低于XX&XX总量最近30s求和与智能基线值环比下跌XX%

所有条件：

XX总量最近30s求和与预测上线比高于XX

XX总量最近30s求和与智能基线值环比上升XX%

P1

所有条件：

XX总量最近30s求和与预测上线比高于XX&XX总量最近30s求和与智能基线值环比上升XX%

XX总量最近30s求和与预测下线比低于XX&XX总量最近30s求和与智能基线值环比下跌XX%

任意条件 ：

XX总量最近30s求和与预测上线比高于XX&持续XX个点位

XX总量最近30s求和与预测下线比低于XX&持续XX个点位

任意条件
 ：

XX总量最近30s求和与预测上线比高于XX&持续XX个点位

XX总量最近30s求和与预测下线比低于XX&持续XX个点位

P2

一些比较特殊的场景可能会有些差别，但绝大多数场景都可以按此进行配置 ，还是以取消订单为例，智能基线大盘如下
：

从图上我们可以看出此场景的波动比例基本在上下限控制以内，而对应的一般基线如下：

3、总结

从刚开始的对于噪音治理的探索 ，到现在极低噪音的治理成果，这是整个团队的努力造就的 。从分场景，分时间段 ，到根据流量动态调整基线 ，再到现在的智能基线 ，眼看着它在越变越优秀 ，这是让我们稳定生产人打心底感到自豪的。也相信也不久的将来，我们的NOC-SLA告警能够报出更多的线上问题的同时 ，也能产生更少的噪音。