2.0k
这个 alertmanager-en 的 bug 藏了三年，终于有人报了
先说背景。我们的场景是 alertmanager-en + 三个下游服务，日均请求量七位数，峰值集中在晚上九点前后。
监控这块我们也顺手改了：把原来的平均值告警换成分位数，并且按接口拆分。改完之后误报少了大概七成，值班同学的怨气肉眼可见地下降了。
图片占位 · 真实环境走对象存储
POST /api/uploads → CDN 回源
POST /api/uploads → CDN 回源
775 条评论
775 条评论
· 已加载前 120 条我
Aalice_dev·2 天前已编辑
补充一个反例：如果 alertmanager-en 的版本低于 7.4，这段代码的语义是不一样的，别照抄。我们在灰度环境踩过，回滚了一次。
502
Oops_wang·2 小时前已编辑
贴一下我们的实测数据，8 核 16G，同样的场景：
| 并发 | P50 | P99 | |---|---|---| | 200 | 12ms | 88ms | | 500 | 31ms | 340ms |
P99 在 500 并发时明显崩了，和你说的拐点基本吻合。
5011 条直接回复
Sslow_query·2 天前
这个结论和我们线上的观察一致。我们是在 QPS 到 3k 之后才撞上这个问题的，前压测阶段完全看不出来——因为压测流量太「干净」了，没有长尾请求。
1292 条直接回复
Ddev_zhou·2 天前
想请教一下，这个方案在容器里（内存限制 512Mi）会有什么变化？我们线上就是这么配的。
4022 条直接回复
Kkite·2 天前
能不能给出最小复现？我本地跑了十分钟没复现出来，环境是 macOS + 最新版。
4121 条直接回复
Ddev_zhou·2 天前
补充一个反例：如果 alertmanager-en 的版本低于 7.4，这段代码的语义是不一样的，别照抄。我们在灰度环境踩过，回滚了一次。
2361 条直接回复
Ddev_zhou楼主·2 天前第 6 层
楼主说的第 3 点我有不同看法。这里的取舍取决于你的读写比：读多写少的话，加缓存反而会放大不一致窗口。
13
Zzhou_yi版主·2 天前已编辑
有没有人做过对照实验？我做了一组，把变量控制到只剩这一个，结果差距只有 4%，基本在噪声范围内。所以我觉得主因可能不是这个。
290
Oops_wang·2 天前
能不能给出最小复现？我本地跑了十分钟没复现出来，环境是 macOS + 最新版。
350
Mmike_xu·2 天前
能不能给出最小复现？我本地跑了十分钟没复现出来，环境是 macOS + 最新版。
4791 条直接回复
Nnikic·2 天前
这里其实有个更简单的做法，不需要改架构：把这一层判断提前到网关，问题就消失了。代价是网关会多一次查表。
277
Kkite楼主·2 天前
同意上面说的。补充一点：如果开了这个选项，监控指标里的 GC 次数会翻倍，需要同步调整告警阈值，否则会一直误报。
416
Hhuang_ke·28 分钟前
补充一个反例：如果 alertmanager-en 的版本低于 7.4，这段代码的语义是不一样的，别照抄。我们在灰度环境踩过，回滚了一次。
452
Kkite·2 天前
楼主说的第 3 点我有不同看法。这里的取舍取决于你的读写比：读多写少的话，加缓存反而会放大不一致窗口。
423
Rran_bo楼主·5 小时前
同意上面说的。补充一点：如果开了这个选项，监控指标里的 GC 次数会翻倍，需要同步调整告警阈值，否则会一直误报。
255
Rran_bo·1 小时前
这个结论和我们线上的观察一致。我们是在 QPS 到 3k 之后才撞上这个问题的，前压测阶段完全看不出来——因为压测流量太「干净」了，没有长尾请求。
2471 条直接回复
Sswoole_lee·2 天前
楼主这个排查思路值得学习。我们之前是直接从日志下手，绕了很大一圈。
3405 条直接回复
Bbob_chen版主·2 天前
楼主说的第 3 点我有不同看法。这里的取舍取决于你的读写比：读多写少的话，加缓存反而会放大不一致窗口。
1473 条直接回复
Bbob_chen·2 天前
已收藏。正好这周要改这块，少走很多弯路。
194
Kkite·2 天前
我们生产环境用了两年，没遇到过。不过我承认我们没上到这个量级，所以这个结论对我们没有参考价值。
24
Lli_ming·5 小时前
我们生产环境用了两年，没遇到过。不过我承认我们没上到这个量级，所以这个结论对我们没有参考价值。
13 条直接回复
Sswoole_lee·28 分钟前
能不能给出最小复现？我本地跑了十分钟没复现出来，环境是 macOS + 最新版。
2085 条直接回复
Cchen_dev·2 天前第 6 层
这个结论和我们线上的观察一致。我们是在 QPS 到 3k 之后才撞上这个问题的，前压测阶段完全看不出来——因为压测流量太「干净」了，没有长尾请求。
442
Sswoole_lee·2 天前第 6 层
楼主这个排查思路值得学习。我们之前是直接从日志下手，绕了很大一圈。
425
Cchen_dev·2 天前已编辑第 6 层
这不是 alertmanager-en 的问题，是用法的问题。文档里写了这个 API 不是线程安全的，要自己在外面加锁。
178
Mmike_xu楼主·2 天前第 6 层
感谢分享真实数据，比很多只讲概念的文章有用得多。
30
Rrase·5 小时前第 6 层
楼主这个排查思路值得学习。我们之前是直接从日志下手，绕了很大一圈。
6
Kkite·2 天前
这不是 alertmanager-en 的问题，是用法的问题。文档里写了这个 API 不是线程安全的，要自己在外面加锁。
372 条直接回复
Kkernel_panic版主·2 天前第 6 层
同意上面说的。补充一点：如果开了这个选项，监控指标里的 GC 次数会翻倍，需要同步调整告警阈值，否则会一直误报。
161
Llinlin·昨天第 6 层
想请教一下，这个方案在容器里（内存限制 512Mi）会有什么变化？我们线上就是这么配的。
2
Mmike_xu·2 天前
贴一下我们的实测数据，8 核 16G，同样的场景：
| 并发 | P50 | P99 | |---|---|---| | 200 | 12ms | 88ms | | 500 | 31ms | 340ms |
P99 在 500 并发时明显崩了，和你说的拐点基本吻合。
9
Ddev_zhou·2 天前
这里其实有个更简单的做法，不需要改架构：把这一层判断提前到网关，问题就消失了。代价是网关会多一次查表。
1255 条直接回复
Oops_wang·2 天前已编辑
贴一下我们的实测数据，8 核 16G，同样的场景：
| 并发 | P50 | P99 | |---|---|---| | 200 | 12ms | 88ms | | 500 | 31ms | 340ms |
P99 在 500 并发时明显崩了，和你说的拐点基本吻合。
5123 条直接回复
Kkite·2 天前
贴一下我们的实测数据，8 核 16G，同样的场景：
| 并发 | P50 | P99 | |---|---|---| | 200 | 12ms | 88ms | | 500 | 31ms | 340ms |
P99 在 500 并发时明显崩了，和你说的拐点基本吻合。
363
Nnikic·2 天前
有没有人做过对照实验？我做了一组，把变量控制到只剩这一个，结果差距只有 4%，基本在噪声范围内。所以我觉得主因可能不是这个。
1071 条直接回复
Llinlin·2 天前第 6 层
这里其实有个更简单的做法，不需要改架构：把这一层判断提前到网关，问题就消失了。代价是网关会多一次查表。
132
Zzhou_yi·2 天前
这不是 alertmanager-en 的问题，是用法的问题。文档里写了这个 API 不是线程安全的，要自己在外面加锁。
73
Lli_ming楼主·2 天前
我们生产环境用了两年，没遇到过。不过我承认我们没上到这个量级，所以这个结论对我们没有参考价值。
3322 条直接回复
Nnikic·2 天前
这个结论和我们线上的观察一致。我们是在 QPS 到 3k 之后才撞上这个问题的，前压测阶段完全看不出来——因为压测流量太「干净」了，没有长尾请求。
4902 条直接回复
Lli_ming·2 天前已编辑第 6 层
补充一个反例：如果 alertmanager-en 的版本低于 7.4，这段代码的语义是不一样的，别照抄。我们在灰度环境踩过，回滚了一次。
88
Bbob_chen·3 分钟前第 6 层
有没有人做过对照实验？我做了一组，把变量控制到只剩这一个，结果差距只有 4%，基本在噪声范围内。所以我觉得主因可能不是这个。
20
Sswoole_lee·2 天前
贴一下我们的实测数据，8 核 16G，同样的场景：
| 并发 | P50 | P99 | |---|---|---| | 200 | 12ms | 88ms | | 500 | 31ms | 340ms |
P99 在 500 并发时明显崩了，和你说的拐点基本吻合。
136
Kkernel_panic·昨天
刚翻了下 alertmanager-en 的源码，作者在注释里其实解释过为什么这么设计，大意是「为了在极端情况下退化成可预期行为」。
316
Lli_ming·2 天前
这个结论和我们线上的观察一致。我们是在 QPS 到 3k 之后才撞上这个问题的，前压测阶段完全看不出来——因为压测流量太「干净」了，没有长尾请求。
2991 条直接回复
Kkite·2 天前
想请教一下，这个方案在容器里（内存限制 512Mi）会有什么变化？我们线上就是这么配的。
31
Zzhu_zong·2 天前
楼主说的第 3 点我有不同看法。这里的取舍取决于你的读写比：读多写少的话，加缓存反而会放大不一致窗口。
198
Lli_ming·刚刚
这里其实有个更简单的做法，不需要改架构：把这一层判断提前到网关，问题就消失了。代价是网关会多一次查表。
1121 条直接回复
Mmike_xu·2 天前已编辑
能不能给出最小复现？我本地跑了十分钟没复现出来，环境是 macOS + 最新版。
153 条直接回复
Cchen_dev·2 天前
楼主这个排查思路值得学习。我们之前是直接从日志下手，绕了很大一圈。
432
Bbob_chen·2 天前
补充一个反例：如果 alertmanager-en 的版本低于 7.4，这段代码的语义是不一样的，别照抄。我们在灰度环境踩过，回滚了一次。
54
Llinlin·2 天前
感谢分享真实数据，比很多只讲概念的文章有用得多。
54
Ttang_hao楼主·28 分钟前
刚翻了下 alertmanager-en 的源码，作者在注释里其实解释过为什么这么设计，大意是「为了在极端情况下退化成可预期行为」。
3
Oops_wang·2 天前
已收藏。正好这周要改这块，少走很多弯路。
7
Ddev_zhou·2 天前
这里其实有个更简单的做法，不需要改架构：把这一层判断提前到网关，问题就消失了。代价是网关会多一次查表。
244
Sslow_query·2 天前
有没有人做过对照实验？我做了一组，把变量控制到只剩这一个，结果差距只有 4%，基本在噪声范围内。所以我觉得主因可能不是这个。
239
Ddev_zhou·2 天前
能不能给出最小复现？我本地跑了十分钟没复现出来，环境是 macOS + 最新版。
209
Oops_wang楼主·2 天前
这不是 alertmanager-en 的问题，是用法的问题。文档里写了这个 API 不是线程安全的，要自己在外面加锁。
143
Rran_bo·2 天前
楼主说的第 3 点我有不同看法。这里的取舍取决于你的读写比：读多写少的话，加缓存反而会放大不一致窗口。
1701 条直接回复
Rrase·2 天前已编辑
刚翻了下 alertmanager-en 的源码，作者在注释里其实解释过为什么这么设计，大意是「为了在极端情况下退化成可预期行为」。
35
Aalice_dev·2 天前已编辑
有没有人做过对照实验？我做了一组，把变量控制到只剩这一个，结果差距只有 4%，基本在噪声范围内。所以我觉得主因可能不是这个。
158
Lli_ming·2 天前
我们生产环境用了两年，没遇到过。不过我承认我们没上到这个量级，所以这个结论对我们没有参考价值。
155
Sslow_query·2 天前
刚翻了下 alertmanager-en 的源码，作者在注释里其实解释过为什么这么设计，大意是「为了在极端情况下退化成可预期行为」。
1432 条直接回复
Kkernel_panic·2 天前
想请教一下，这个方案在容器里（内存限制 512Mi）会有什么变化？我们线上就是这么配的。
4291 条直接回复
Ttang_hao·2 天前
已收藏。正好这周要改这块，少走很多弯路。
83
Bbob_chen·2 天前
刚翻了下 alertmanager-en 的源码，作者在注释里其实解释过为什么这么设计，大意是「为了在极端情况下退化成可预期行为」。
14
Aalice_dev·2 天前
这个结论和我们线上的观察一致。我们是在 QPS 到 3k 之后才撞上这个问题的，前压测阶段完全看不出来——因为压测流量太「干净」了，没有长尾请求。
131
Rrase·2 天前
有没有人做过对照实验？我做了一组，把变量控制到只剩这一个，结果差距只有 4%，基本在噪声范围内。所以我觉得主因可能不是这个。
104
Rrase·2 天前
楼主这个排查思路值得学习。我们之前是直接从日志下手，绕了很大一圈。
1021 条直接回复
Kkite·2 天前
刚翻了下 alertmanager-en 的源码，作者在注释里其实解释过为什么这么设计，大意是「为了在极端情况下退化成可预期行为」。
1361 条直接回复
Wwinter·2 天前
已收藏。正好这周要改这块，少走很多弯路。
323
Nnikic·2 天前
感谢分享真实数据，比很多只讲概念的文章有用得多。
98
Aalice_dev·2 天前
想请教一下，这个方案在容器里（内存限制 512Mi）会有什么变化？我们线上就是这么配的。
921 条直接回复
Kkite版主·2 天前
楼主说的第 3 点我有不同看法。这里的取舍取决于你的读写比：读多写少的话，加缓存反而会放大不一致窗口。
340
Zzhu_zong·3 分钟前
我们生产环境用了两年，没遇到过。不过我承认我们没上到这个量级，所以这个结论对我们没有参考价值。
87
Aalice_dev·2 天前
这不是 alertmanager-en 的问题，是用法的问题。文档里写了这个 API 不是线程安全的，要自己在外面加锁。
87
Ddev_zhou·昨天
同意上面说的。补充一点：如果开了这个选项，监控指标里的 GC 次数会翻倍，需要同步调整告警阈值，否则会一直误报。
812 条直接回复
Bbob_chen楼主·2 天前
这个结论和我们线上的观察一致。我们是在 QPS 到 3k 之后才撞上这个问题的，前压测阶段完全看不出来——因为压测流量太「干净」了，没有长尾请求。
273
Kkite·2 小时前
贴一下我们的实测数据，8 核 16G，同样的场景：
| 并发 | P50 | P99 | |---|---|---| | 200 | 12ms | 88ms | | 500 | 31ms | 340ms |
P99 在 500 并发时明显崩了，和你说的拐点基本吻合。
282
Sslow_query楼主·刚刚
同意上面说的。补充一点：如果开了这个选项，监控指标里的 GC 次数会翻倍，需要同步调整告警阈值，否则会一直误报。
181 条直接回复
Llinlin·2 天前
感谢分享真实数据，比很多只讲概念的文章有用得多。
4
Cchen_dev楼主·2 天前
同意上面说的。补充一点：如果开了这个选项，监控指标里的 GC 次数会翻倍，需要同步调整告警阈值，否则会一直误报。
11
Nnikic·1 小时前
楼主说的第 3 点我有不同看法。这里的取舍取决于你的读写比：读多写少的话，加缓存反而会放大不一致窗口。
591 条直接回复
Bbob_chen·2 天前
已收藏。正好这周要改这块，少走很多弯路。
2881 条直接回复
Sslow_query·2 天前
这不是 alertmanager-en 的问题，是用法的问题。文档里写了这个 API 不是线程安全的，要自己在外面加锁。
185
Nnikic·2 天前
补充一个反例：如果 alertmanager-en 的版本低于 7.4，这段代码的语义是不一样的，别照抄。我们在灰度环境踩过，回滚了一次。
57
Aalice_dev·3 分钟前
想请教一下，这个方案在容器里（内存限制 512Mi）会有什么变化？我们线上就是这么配的。
563 条直接回复
Aalice_dev·刚刚
有没有人做过对照实验？我做了一组，把变量控制到只剩这一个，结果差距只有 4%，基本在噪声范围内。所以我觉得主因可能不是这个。
1132 条直接回复
Kkite·2 天前已编辑
这里其实有个更简单的做法，不需要改架构：把这一层判断提前到网关，问题就消失了。代价是网关会多一次查表。
4184 条直接回复
Sswoole_lee·2 天前已编辑
我们生产环境用了两年，没遇到过。不过我承认我们没上到这个量级，所以这个结论对我们没有参考价值。
255
Hhuang_ke版主·2 天前
感谢分享真实数据，比很多只讲概念的文章有用得多。
14
Aalice_dev版主·2 天前
刚翻了下 alertmanager-en 的源码，作者在注释里其实解释过为什么这么设计，大意是「为了在极端情况下退化成可预期行为」。
12
Ddev_zhou·2 天前
补充一个反例：如果 alertmanager-en 的版本低于 7.4，这段代码的语义是不一样的，别照抄。我们在灰度环境踩过，回滚了一次。
10
Bbob_chen·1 小时前
贴一下我们的实测数据，8 核 16G，同样的场景：
| 并发 | P50 | P99 | |---|---|---| | 200 | 12ms | 88ms | | 500 | 31ms | 340ms |
P99 在 500 并发时明显崩了，和你说的拐点基本吻合。
1
Cchen_dev·刚刚
已收藏。正好这周要改这块，少走很多弯路。
791 条直接回复
Wwinter·2 天前已编辑
我们生产环境用了两年，没遇到过。不过我承认我们没上到这个量级，所以这个结论对我们没有参考价值。
18
Sswoole_lee·1 小时前
感谢分享真实数据，比很多只讲概念的文章有用得多。
251 条直接回复
Nnikic·2 天前
我们生产环境用了两年，没遇到过。不过我承认我们没上到这个量级，所以这个结论对我们没有参考价值。
160
Sswoole_lee·昨天已编辑
这不是 alertmanager-en 的问题，是用法的问题。文档里写了这个 API 不是线程安全的，要自己在外面加锁。
521 条直接回复
Sslow_query楼主版主·2 天前
楼主这个排查思路值得学习。我们之前是直接从日志下手，绕了很大一圈。
134
Sswoole_lee·2 天前已编辑
楼主这个排查思路值得学习。我们之前是直接从日志下手，绕了很大一圈。
41
Nnikic·昨天
感谢分享真实数据，比很多只讲概念的文章有用得多。
39
Mmike_xu·2 天前
已收藏。正好这周要改这块，少走很多弯路。
27
Bbob_chen·2 天前
我们生产环境用了两年，没遇到过。不过我承认我们没上到这个量级，所以这个结论对我们没有参考价值。
22
Lli_ming·2 小时前已编辑
贴一下我们的实测数据，8 核 16G，同样的场景：
| 并发 | P50 | P99 | |---|---|---| | 200 | 12ms | 88ms | | 500 | 31ms | 340ms |
P99 在 500 并发时明显崩了，和你说的拐点基本吻合。
20
Kkite版主·5 小时前已编辑
刚翻了下 alertmanager-en 的源码，作者在注释里其实解释过为什么这么设计，大意是「为了在极端情况下退化成可预期行为」。
201 条直接回复
Cchen_dev·2 天前
这不是 alertmanager-en 的问题，是用法的问题。文档里写了这个 API 不是线程安全的，要自己在外面加锁。
74
Ttang_hao·2 天前
能不能给出最小复现？我本地跑了十分钟没复现出来，环境是 macOS + 最新版。
151 条直接回复
Cchen_dev·2 天前
楼主这个排查思路值得学习。我们之前是直接从日志下手，绕了很大一圈。
4581 条直接回复
Rran_bo·2 天前
同意上面说的。补充一点：如果开了这个选项，监控指标里的 GC 次数会翻倍，需要同步调整告警阈值，否则会一直误报。
22
Zzhu_zong·2 天前
这个结论和我们线上的观察一致。我们是在 QPS 到 3k 之后才撞上这个问题的，前压测阶段完全看不出来——因为压测流量太「干净」了，没有长尾请求。
13
Zzhou_yi·2 天前
感谢分享真实数据，比很多只讲概念的文章有用得多。
4
Bbob_chen·5 小时前
补充一个反例：如果 alertmanager-en 的版本低于 7.4，这段代码的语义是不一样的，别照抄。我们在灰度环境踩过，回滚了一次。
12 条直接回复
Llinlin楼主·2 天前
同意上面说的。补充一点：如果开了这个选项，监控指标里的 GC 次数会翻倍，需要同步调整告警阈值，否则会一直误报。
851 条直接回复
Sswoole_lee·2 天前
已收藏。正好这周要改这块，少走很多弯路。
51 条直接回复
Nnikic·2 天前已编辑
这里其实有个更简单的做法，不需要改架构：把这一层判断提前到网关，问题就消失了。代价是网关会多一次查表。
1321 条直接回复
Sswoole_lee·2 天前已编辑
想请教一下，这个方案在容器里（内存限制 512Mi）会有什么变化？我们线上就是这么配的。
3351 条直接回复
Sslow_query·2 天前第 6 层
楼主说的第 3 点我有不同看法。这里的取舍取决于你的读写比：读多写少的话，加缓存反而会放大不一致窗口。
14
Lli_ming版主·2 天前
能不能给出最小复现？我本地跑了十分钟没复现出来，环境是 macOS + 最新版。
1221 条直接回复
Zzhou_yi·2 天前
想请教一下，这个方案在容器里（内存限制 512Mi）会有什么变化？我们线上就是这么配的。
384
Ddev_zhou·2 天前已编辑
有没有人做过对照实验？我做了一组，把变量控制到只剩这一个，结果差距只有 4%，基本在噪声范围内。所以我觉得主因可能不是这个。
1
这是帖子详情页 /zh-CN/c/alertmanager-en/post/p0。帖子与评论都由种子随机数确定性生成 —— 同一个帖子每次打开内容一致，因此可以直接分享链接、刷新、被搜索引擎收录。真实实现里这一页是 MySQL 读帖子 + Redis 缓存热帖 + 评论树按 path 字段一次性取出。
看数据表设计 →