两招玩转阿里云系统事件监控

作者：田异常（昔今）

背景介绍

在当今快速发展的数字化时代，IT 系统和应用程序对业务运营至关重要。为了确保顺畅的性能、可靠性和安全性，IT 团队依靠监控事件来实时检测、分析和响应问题。监控事件是指任何影响 IT 系统正常运作的事件，例如服务器崩溃、网络中断或应用程序错误。这些事件可能对业务连续性、客户满意度和收入产生重大影响。

具体来说，作为阿里云监控系统中的重要组成部分，与监控指标不同，监控指标一般指一种数值型的监控纬度，一般需要配合设置阈值来进行监控来表达某一个监控含义，比如 CPU 使用率超过 60%。但是系统事件一般情况下具有完备的上下文信息，在阿里云体系中常用以描述服务的状态或者状态变化，常见如以下场景：

1. 系统运行中的一些关键状态事件，比如 ECS 系统错误重启、弹性伸缩失败、IOT QPS 达到上限。

2. 记录和审计，比如投递 OSS 失败。

3. 系统连续性问题，比如 DDos 黑洞进行中。

4. 重要安全事件，比如 安全告警：异常网络连接（提醒）。

目前大部分的云服务服务已经完成接入云监控，具体详情可以参加下面文档：https://help.aliyun.com/zh/cms/user-guide/appendix-2-system-events?spm=5176.2020520111.console-base_help.dexternal.3d6d6610UEXzUw#concept-2500373

监控好这些系统事件对于用户是一件非常重要的事情。

云监控事件订阅设计初衷

在系统事件订阅功能上线之前，云监控是通过设置报警规则来实现对系统事件的监控，但是在使用中，慢慢透露出一些不足，包括：监控方式的不灵活、不能支持黑名单、通知内容格式僵化等等。

通过对之前的用户需求分析，我们设计了新的云监控事件订阅用来以实现以下功能：

1. 通过灵活的订阅配置，支持系统事件或阈值事件，支持从产品、事件级别、事件名称、事件资源，事件内容的筛选；支持筛选的黑白名单操作等等；

2. 通过分组合并降噪，可以实现产品级，事件级，资源级等等级别的报警合并，然后通过条件降噪（固定时长内发生超过某个阈值事件数量）来控制报警的有效性，避免大量重复报警造成报警风暴；

3. 对于合并降噪后的有效报警通知，云监控可以直接推送到邮件、电话、短信、钉钉、企业微信等

4. 支持通过灵活定制通知模版来满足用户自身的业务需求，用户可以通过配置自己的模版，来实现个性化的通知格式定制；

5. 定制了自定义的通知模版，可以在订阅规则上通过自定义通知方式，给具体的通知渠道指定通知的级别和模板；

6. 还可以通过通知模板自定义推送的数据格式，通过我们在集成与推送，直接讲报警数据转换为用户需要的格式，推送到消息服务 MNS、日志服务 SLS、函数计算 FC 和 Webhook。

典型云监控场景介绍

下面，我们通过两个典型的用户场景来介绍如何使用云监控事件订阅：

场景 1：多运维团队场景

1. 用户使用了阿里云 ECS RDS REDIS SLB 等云服务；

2. 用户有两个独立运维团队，分别运维 ECS SLB 和 RDS REDIS；

3. 用户希望监控每个团队监控团队自己独立的服务；

4. 对于紧急的电话报警，两个团队需要相互 backup，当一个团队电话打不通的时候，通知另外一个团队；

5. 需要排除掉一些预发和测试环境的实例。

具体的操作步骤如下：

1. 进入事件中心界面，点击创建订阅策略。

2. 在弹出的窗口中，按照需求设置我们的订阅配置。

我们这里设置了订阅的说明如下：

1 ) 范围是 ECS 和 RDS 的所有 CRTICAL 级别事件，再排除掉其中的测试和预发的相关资源（根据资源名称排除）；

2. 订阅好的报警，我们希望按照不同的产品来进行合并通知，这样 RDS 的事件和 ECS 的事件会被作为独立的报警发送通知给用户；

3. 设置了 5 分钟内，每个产品（我们选择的合并字段）下需要连续收到 5 个事件才会通知，通知一次之后 5 分钟内不再重复通知。

3. 设置好了订阅配置，下面我们来配置通知。

在下面的通知配置中，我们可以选择已经有的通知配置，也可以选择创建一个新的通知配置，这里我们以创建新的通知配置为例，点击创建通知配置之后，弹出如下对话框:

最简单的情况，我们可以直接选择通知到某一个组。

对于一些非常关键的报警，为了防止电话拨打没有接通的情况，我们还可以配置电话报警备选通知组，当上面配置的所有电话报警联系人都没有接通电话的情况下，将按照定义的备份电话报警联系组顺序，每三分钟逐个通知备份电话联系组，直到电话接通或者所有备份联系组都通知完成。

如果用户需要按照不同严重级别发送给不同的人，也可以选择按照严重级别独立通知联系组，如下图：

4. 设置好了通知接受对象后，我们还可以继续对通知方式进行定制。

如果用户希望对于报警方式进行进一步的定制，可以通过自定义通知方式来实现。

这里，我们可以对报警通知的消息模版进行选择，可以定义每个报警级别通知的渠道，来实现用户定制化报警的需求。

5. 设置好了通知后，如果对于一些报警，我们希望推送到我们自己的系统中，我们可以使用推送和集成来进行配置。

点击添加渠道，在弹出的对话框中选择我们对应的渠道进行推送，我们这里以 webhook 为例。

通过设置具体的推送目标和方式，可以实现数据推送到用户服务的需求。

6. 到这里订阅和通知的配置基本就完成了，但是用户如果有需要自定义通知模板的情况，来满足自定义的通知需求，配置通知模版的方式如下：

进入通知模版界面，点击创建通知模版。

模板配置相对比较复杂，建议参考我们预先提供的模板，在基础上修改，然后通过我们的预览功能来验证配置模版是否符合预期，预览完成后，还可以用右上角的小飞机按钮来发送一次测试通知，最终效果发送到用户的真实接收方来验证最终效果。

模版修改好后，可以在订阅界面的自定义通知方式的位置，修改通知方式，然后选择通知模版即可。

场景 2：使用应用分组实现灵活订阅能力

应用分组是云监控里面的一个重要监控概念，用来描述一组有关联的云资源，比如 ECS 实例、RDS 实例、SLB 实例等。应用分组可以监控应用组中资源的状态，当资源状态发生变化时，应用组会收到通知。我们就以应用组为例，介绍如何使用应用组监控阿里云系统事件。

进入云资源监控 -> 应用分组

然后点击你需要进行监控的分组，出现如下界面：

1. 先设置这个分组的联系人组；

2. 点击开启系统事件订阅；

两步操作，非常简单。至此，一个最简单的应用分组订阅已经完成，它会监控当前分组下资源上报的所有 CRTICAL 和 WARNING 的资源，并通知设置的联系组。

3. 如果我们还需要把事件推送到用户服务，通过点击事件订阅后的通知详情，然后在弹出窗口中添加渠道即可把已经定义好的推送渠道引用进来。

写在最后

上面是两种典型的订阅系统事件的场景介绍，在这个场景的基础上，用户可以扩展到自己的场景中，来实现灵活的订阅通知能力，通过我们的模版，订阅来满足自己的监控需求。

点击此处，体验云监控产品。