SRE技术保障平台-盯屏中心TAC： 混合云一站式告警运维平台

简介： SRE技术保障平台-盯屏中心TAC： 混合云一站式告警运维平台

1.目标定位

1.1背景

• 告警管控平台种类繁多
• 告警出现后未及时发现处理最终导致故障产生
• 专有云监控能力拉起依赖版本升级，操作复杂，迭代慢
• 异常问题和故障的感知力不如客户

1.2目标

• 制定告警数据接入规范
• 实现告警统一集中展示
• 建设多种告警外发通知
• 独立部署、快速迭代
• 告警严重程度区分，提升感知力

1.3定位

图1：TAC定位

2.平台简介

2.1介绍

SRE技术保障平台-盯屏中心（TAC-TAM Alarm Center）是TAM为混合云精心打造的一站式告警运维平台，覆盖混合云所涉及的云产品、大数据、云实例以及用户所涉及的站点应用等告警，提供告警生命周期管理以及报警外发等解决方案。帮助混合云平台快速发现、定位异常问题，协助产品团队促进产品改进。

2.2特点

2.2.1告警汇聚

• 默认集成：云平台、大数据、云实例、站点应用
• 支持扩展：自定义监控

2.2.2报警通道

• 钉钉&本地化钉钉
• 短信服务
• 企业邮箱
• 警务微信

2.3业务服务流程

图2：TAC业务服务流程图

3.主要功能及界面展示

3.1告警盯屏中心

• 实时展示云平台当前所有的告警数据以及列出近7天的产品告警TOP排行, 一目了然告警数据, 提升感知力。

图3：告警盯屏中心界面展示

3.2SRE运维大盘

• 通过指标化，更方便查看产品的健康状况，判断是否有故障；
• 指标项包含：健康率、成功率、转实例、准时率、正常率、运行率、使用率、写成功率、读成功率。

图4：SRE运维大盘界面展示

3.3告警工作台

• 用户可以在平台告警页面上认领新增的待处理告警，线下处理完成后可以在我的告警页面上关闭该告警。
• 当认领了自己不擅长处理的产品告警，可以通过线上转发的方式移交给擅长处理的同学。
• 若出现长期无法处理的告警，在确认无影响的情况下可以选择忽略该告警，避免一直外发造成消息轰炸。
• 自动恢复的告警无需手动认领关闭，在历史告警中可以进行查看。

图5：告警工作台界面展示

3.4事件服务中心

打破签字、短信、邮件式古老的运维管理方式，为客户将众多的线下流程移⾄线上，预设相应的管理体系，以线上提交、线上反馈的模式，可以统一管理、追踪闭环、数据存档，为⽇常流程管理工作提供更多解决⽅法，逐步代替线下管理。

图6：事件服务中心界面展示

3.5告警控制策略

• 支持设置自动分派策略，当指定产品出现告警自动认领告警；
• 当天首次出现的告警立即通知，非首次出现的告警遵循1440分钟的静默期后通知;
• 支持控制告警发送时的状态，“发生时”、“认领时”、“关闭时”；
• 支持预约在指定的时间范围内使某一类型的告警进入静默期，告警外发暂时失效；
• 支持对告警推送的告警类型，产品，级别，部门，项目等进行自定义配置。

图7：告警控制策略界面展示

3.6告警推送策略

• 提供用户体系，系统会识别用户的手机号码以及邮箱地址来发送告警；
• 提供钉钉、短信、邮件的外发的webhook，api接口的配置；
• 可以选择的一个或多个告警策略自定义配置推送告警

图8：告警推送策略界面展示

3.7监控网关

• 支持在监控任务页面配置用户关心的网站、机器或某个接口，TAC根据规则进行监控；
• 若现场之前有提供过黑屏化的监控工具，用户可以在注册API页面注册一个APP，根据接口调用规范将监控结果上报至TAC以第三方告警来展示和外发。

图9：监控网关界面展示

3.8钉钉通知

图10：钉钉通知效果展示

4.结语

目前，混合云多数项目已通过TAC实现告警通知功能。有效提高告警处理效率，减少因告警未及时处理导致故障的情况，大幅提高项目运维质量，减少项目人力投入成本。

作者：黄家亮  阿里云智能GTS-SRE团队资深技术支持工程师

原文链接

本文为阿里云原创内容，未经允许不得转载