背景

• skywalking 9.7.0，地址：Backend setup | Apache SkyWalking

• helm：skywalking-helm:4.5.0，地址：skywalking-helm/chart/skywalking/values.yaml at v4.5.0

首先来说一下为什么使用skywalking告警？

在我们目前的架构体系中:

• prometheus：通过node exporter监控硬件级的监控，通过grafana来做告警（注意：grafana仅部分图支持告警）

  当然也可以监控业务级别的，但是这些指标需要业务人员提供，而业务人员又需要额外开发自定义指标，是一种双向配合的方式，比较麻烦

• ELK：通过日志埋点，在grafana配置ES数据源，通过捕获关键字类型，从而到达一种监控告警，但是这种局限很明显，需要将业务数据采集到es里面，不够方便快捷

目前时间比较紧，开发人员较少，再加上我们已经使用上了skywalking，需要快速告警下面几个指标：

• 接口成功率；
• 接口响应时间；
• 响应时间百分比

等等一些指标，来保证我们系统的稳定性，

由于上述指标对于skywalking都是现成的，想快速实现我们的需求，所以打算先通过skywalking告警来实现我们的需求

但这对于专业的监控告警系统，这样做不太好，因为告警的应该统一收口，在一个地方来配置，比如grafana；

因为告警的本质是通过采集日志，然后通过这些日志来进行定制告警，后续可以进行优化，这些不是本文章的主题

实践

k8s部署skywalking看看这个：k8s部署skywalking(helm)

本地实践的话，需要去官方下载一个APM，地址：Downloads | Apache SkyWalking
9.7.0本地玩的话，默认配置是JDK17哈，各位校验一下自己的Java环境

注意，这里的告警是在skywalking-oap服务端的，不是客户端哈

告警配置属性

告警模块相关配置文件路径：

打开之后官方默认了一些规则，官方查看：Alerting | Apache SkyWalking

接下来来解释一些这些属性的含义

Rule name：规则名称。需要保证唯一，必须以 _rule 结尾

Expression：告警表达式。

Include names：告警规则生效包含的实体名列表。本质是一个array，可以配置多个，但需要注意的是，这个是全匹配

我们在集成 Agent 的时候，一般都会设置 Service group。举个栗子： SW_AGENT_NAMESPACE："dev" SW_AGENT_NAME："dev::example-name" 当我这样定义时，service name 应该写成 dev::example-name|dev|，参考：Table of Agent Configuration Properties | Apache SkyWalking

Exclude names：告警规则不生效包含的实体名列表，本质是一个array，可以配置多个，但需要注意的是，这个是全匹配

Include names regex：和 Include names 一样。只不过是正则表达式字符串

Exclude names regex：和 Exclude names 一样。只不过是正则表达式字符串

Tags：自定义的 k-v 对（这个目前感觉只是增加一个自定义的提示信息的）

Period：表达式计算结果的缓存时间，也可以理解为没隔多长时间采集一次数据；

Silence Period：静默时间。例如我有一个规则，1分钟会触发一次，当我把Silence Period配置为 3 时。那就是3分钟内，不会发送一次请求到 hook

Hooks：向外界发送通知的方式 ，本质上都是 WebHook。

告警表达式

以下列示例解释：

rules:
  # service_sla 代表的是服务响应成功率
  service_sla_rule:
    # sum(service_sla < 8000) 该表达式表示的是 服务的响应成功率低于80%的次数
    # >= 2 是关键，表达式每分钟算一次（这是我看了文档后猜的，应该没问题）, 那这里就表示最近2分钟服务SLA都低于90%
    expression: sum(service_sla < 8000) >= 2
     # 字符串匹配写法
    include-names:
      - 'dev::example|dev|'
    # 正则写法：所有dev组的
    include-names-regex: '^dev::.*' 
    # 表达式计算结果缓存时长，表达式每一分钟计算一次，我表达式中设置了>=2
    # 所以period 应该设置一个大于2的值，这样能避免重复计算
    period: 10
    # 静默时间，如果服务有10分钟SLA是低于90的，那么m2的时候会提醒。
    # 下一次本来是m3提醒的，我设置了2，所以等到m5再次计算表达式的时候才会在提醒
    silence-period: 3
    # 自定义 tags,key-value形式
    tags:
      level: ERROR
    # 告警文本，{name} 是内置变量，代表服务名称，本地实际测试还有一个id，用来表示告警id，用法{id}
    message: '服务{name}成功率小于100%'
hooks:
  webhook:
    default:
      # 是否默认
      is-default: true
      # 配置url
      urls:
        - http://127.0.0.1/notify/
        - http://127.0.0.1/go-wechat/

实际例子

service维度

所有服务SLA在最近3分钟内小于100

service_success_rule:
  expression: sum((service_success / 100) < 100) >= 3
  period: 5
  silence-period: 5
  message: '服务 SLA 低于 100%'

prod分组下，所有服务SLA在最近3分钟小于100

service_success_rule:
  expression: sum((service_success / 100) < 100) >= 3
  include-names-regex: '^prod::.*'
  period: 5
  silence-period: 5
  message: '服务 SLA 低于 100%'

endpoint维度

endpoint跟service不同的是，它的规则为：

xxx接口   in   group::服务

单接口SLA在最近3分钟内小于100

endpoint_sla_rule:
  expression: sum((endpoint_sla / 100) < 100) >= 3
  include-names: 
      - 'GET:/test/custom1 in dev::example|dev|'
  period: 5
  message: '此接口 SLA 低于 100%'

prod分组下，所有接口（排除指定接口）SLA在最近3分钟内小于100

endpoint_sla_rule:
  expression: sum((endpoint_sla / 100) < 100) >= 3
  exclude-names:
      - 'GET:/test/custom1 in dev::example|dev|'
  include-names-regex: '.* in prod::.*'
  period: 5
  message: '此接口 SLA 低于 100%'

DB维度

所有DB SLA 最近1分钟内小于100

database_access_sla_rule:
  expression: sum((database_access_sla / 100) < 100) >= 1
  period: 3
  message: 'DB SLA 低于 100%'

配置webhook

飞书

hooks:
  feishu:
    default:
      is-default: true
      text-template: |
        {
          "msg_type":"text",
          "content": {
              "text": "Apache SkyWalking Alarm: \n %s."
          }
        }
      webhooks:
      - url: https://open.feishu.cn/open-apis/bot/v2/hook/axxxxxxx

skywalking默认提供的指标

目前skywalking定义的指标存在与下列目录下，以*.oal为结尾的文件

部分指标释义如下：

code	解释	备注
service维度
service_resp_time	服务的平均响应时间
service_sla	服务的成功率
service_cpm	服务每分钟调用次数
服务实例指标
service_instance_sla	服务实例的成功率
service_instance_resp_time	服务实例的平均响应时间
service_instance_cpm	服务实例每分钟调用次数
endpoint维度
endpoint_cpm	端点每分钟调用次数
endpoint_avg	端点平均响应时间
endpoint_sla	端点成功率
JVM 指标, JVM 相关的指标, 只有当 javaagent 启用时才有效
instance_jvm_cpu
instance_jvm_memory_heap
instance_jvm_memory_noheap
instance_jvm_memory_heap_max
instance_jvm_memory_noheap_max
instance_jvm_young_gc_time
instance_jvm_old_gc_time
instance_jvm_young_gc_count
instance_jvm_old_gc_count
服务关系指标, 代表服务之间调用的指标 指标的 ID 只能在拓扑图查询中获取
service_relation_client_cpm	在客户端每分钟检测到的调用次数
service_relation_server_cpm	在服务端每分钟检测到的调用次数
service_relation_client_call_sla	在客户端检测到的成功率
service_relation_server_call_sla	在服务端检测到的成功率
service_relation_client_resp_time	在客户端检测到的平均响应时间
service_relation_server_resp_time	在服务端检测到的平均响应时间
端点关系指标, 代表相互依赖的端点之间的指标. 只有在追踪代理启用时有效. 指标 ID 只能在拓扑查询中获得.
endpoint_relation_cpm
endpoint_relation_resp_time

拓展

skywalking什么类型的信息会触发报警

默认情况下，当你Http status为非200的时候，skywalking会识别到这是一个失败的请求；

在实际场景中，我们业务可能会遇到这种情况，就是响应码为200，但是项目中做了异常全局处理，这种情况应该告警的。针对这种情况，想要让skywalking不触发告警，需要使用ActiveSpan.error()

引入pom

<dependency>
    <groupId>org.apache.skywalking</groupId>
    <artifactId>apm-toolkit-trace</artifactId>
    <version>9.2.0</version>
</dependency>

示例代码：

import org.apache.skywalking.apm.toolkit.trace.ActiveSpan;
import org.springframework.web.bind.annotation.ExceptionHandler;
import org.springframework.web.bind.annotation.RestControllerAdvice;

@RestControllerAdvice
public class GlobalExceptionHandler {

    @ExceptionHandler({MyCustomException.class})
    public ResponseEntity<String> handleMyCustomException(MyCustomException e) {
        // 使用ActiveSpan.error()标记异常
        ActiveSpan.error(e);

        // 返回正常的响应，但SkyWalking会记录异常
        return new ResponseEntity<>("Handled MyCustomException: " + e.getMessage(), HttpStatus.OK);
    }
}

这种情况状态码是200，但是skywalking也会告警的。

忽略指定异常告警

这种方式是基本skywalking客户端的方式进行修改！！！！！！！

场景：

在业务使用过程中，我们会添加全局异常处理，当程序错误的时候，统一返回处理。

但是我们也会有这种场景：我们可能会抛出一些自定义的异常，而这些异常，并不是程序错误或者未知的错误，而是非常明确的终态，用来告知调用方一些信息，这种的我们想让skywalking不要报警，该怎么做呢？

在下述示例中，SkyException为我们要忽略报警的异常，MyCustomException为全局处理异常

SkyException

@Slf4j
public class SkyException extends RuntimeException{

    public SkyException(String message) {
        super(message);
    }
}

MycustomException

@Slf4j
public class MycustomException extends RuntimeException{

    public MycustomException(String message) {
        super(message);
    }
}

接口：

@GetMapping("/test")
public Integer pay(@RequestParam("id") Integer id) {
	throw new SkyException("skywalking忽略告警异常");
}

@GetMapping("/test2")
public Integer pay(@RequestParam("id") Integer id) {
	return 1/0;
}

全局异常处理

@RestControllerAdvice
public class GlobalExceptionHandlers {

    @ExceptionHandler(SkyException.class)
    public Integer skyException(SixException e) {
        // 使用ActiveSpan.error()标记异常
        ActiveSpan.error(e);
        return 1;
    }
    
    @ExceptionHandler(MycustomException.class)
    public Integer mycustomException(SevenException e) {
        // 使用ActiveSpan.error()标记异常
        ActiveSpan.error(e);
        return 1;
    }
}

在上述情况下，访问/test1和/test2都会触发skywalking告警，如果我们想让SkyException不告警的话，有两种方式

• skywalking默认的环境变量
• 引入jar包，采用注解方式

环境变量的方式

修改jvm启动参数，当需要忽略多个异常时，使用逗号“,”分隔。如下所示。

-javaagent:/opt/skywalking-agent-9.2.0/skywalking-agent.jar
-Dskywalking.agent.service_name=sky-demo
-Dskywalking.collector.backend_service=127.0.0.1:11800
-Dskywalking.statuscheck.ignored_exceptions=com.xx.xxx.SkyException
    

修改完成后重新启动服务即可

如果是k8s的方式，注入环境变量: SW_STATUSCHECK_IGNORED_EXCEPTIONS：com.xx.xxx.SkyException

注解方式

引入pom

<dependency>
    <groupId>org.apache.skywalking</groupId>
    <artifactId>apm-toolkit-trace</artifactId>
    <version>8.9.0</version>
</dependency>

在要忽略的异常上添加注解@IgnoredException，等同于添加配置statuscheck.ignored_exceptions。

@Slf4j
@IgnoredException
public class SkyException extends RuntimeException{

    public SkyException(String message) {
        super(message);
    }
}

忽略链路插件

在skywalking控制台显示页面上，我们想让一些调用不显示链路，比如健康心跳显示，机器人巡检等功能，这些对于我们业务使用来说，不怎么关注，而且他们的触发频率很高，会有大量的链路，有时候直接把我们真正关心的链路给耍没了，那么这种场景，该怎么处理呢？

比如我不想让Lettuce/INFO在skywalking链路中显示

这种方式需要一个插件，进入optional-plugins文件夹，将jar包apm-trace-ignore-plugin-8.16.0.jar复制到plugins文件夹中

配置

忽略调用链路的配置有两种：

1. 系统变量；
2. 配置文件。

系统变量优先级大于文件。

其配置的路径应匹配Ant Path规则，如/path/*、/path/**、/path/?。

• 系统变量

  在系统变量中添加skywalking.trace.ignore_path来配置要忽略的接口，多个接口之间用逗号“,”分隔。

• 配置文件

  在config文件夹中添加配置文件apm-trace-ignore-plugin.config，在该配置文件中添加以下配置

  trace.ignore_path=/your/path/1/,/your/path/2/

我们要忽略掉eureka心跳检测的接口，则在配置文件中添加以下配置

trace.ignore_path=Lettuce/INFO

这样设置后，skywalking链路中不会在有该接口了

参考文献

skywalking中表字段的信息

skywalking全链路追踪

Skywalking(9.7.0) 告警配置