ALAlertmanager·English
社区主页热门讨论 最新发布 精华区 知识库 资源 关于

Alertmanager·English · 招聘：远程 alertmanager-en 工程师（全职 / 可长期）

441
ALr/alertmanager-en·由 kernel_panic 发布·5 分钟前公告

招聘：远程 alertmanager-en 工程师（全职 / 可长期）

先说结论：alertmanager-en 这套东西在中小规模下几乎不需要调优，真正开始难受的位置比大多数人以为的靠后得多。下面是完整的实测过程。

关于取舍，我的判断是：如果团队里没有人长期盯这块，就不要引入第二套机制。两套并存的时候，出问题时你甚至要先花时间判断「这次是哪个在起作用」，那个成本比性能损失高得多。

# 压测命令：注意 -c 不要一次拉满，要阶梯上升
# 直接拉满会错过拐点
for c in 50 100 200 400 800; do
  wrk -t8 -c$c -d60s --latency http://127.0.0.1:8080/api/feed
  sleep 20
done

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。

顺便说一句，官方文档里这段其实有写，只是藏在一个很不起眼的位置。我是在翻源码注释的时候才发现的，注释里作者解释了为什么这么设计 —— 大意是「为了在极端情况下退化成可预期的行为」。

220 条评论

220 条评论

· 已加载前 120 条
我
Kkernel_panic·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。

504
Llinlin·刚刚

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。

478
Kkernel_panic·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。

464
Sslow_query·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。

405
Llinlin·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。

3
Wwinter·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。

325
Hhuang_ke版主·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。

380
Aalice_dev·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。

362
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。

353
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。

341
Sslow_query·2 小时前

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。

340
Oops_wang·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。

290
Ddev_zhou·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。

259
Bbob_chen·2 小时前

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。

256
Rran_bo楼主·28 分钟前

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。

173
Cchen_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。

10
Hhuang_ke·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。

322
Llinlin楼主·2 天前已编辑

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。

86
Lli_ming·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。

213
Oops_wang·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。

209
Cchen_dev·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。

468
Ddev_zhou·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。

31
Mmike_xu·2 天前

已收藏。正好这周要改这块，少走很多弯路。

162
Llinlin楼主·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。

23
Ttang_hao版主·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。

192
Rrase·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。

176
Ddev_zhou·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」。

118
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」。

180
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。

205
Aalice_dev·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。

115
Wwinter·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。

110
Llinlin·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。

104
Sslow_query楼主·28 分钟前

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。

24
Aalice_dev·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。

295
Aalice_dev楼主·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。

247
Cchen_dev·28 分钟前已编辑

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。

2
Llinlin·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。

48
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。

82
Aalice_dev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。

180
Mmike_xu楼主·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。

20
Nnikic·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。

130
Kkernel_panic·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。

74
Sslow_query·28 分钟前

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。

66
Llinlin·12 分钟前

已收藏。正好这周要改这块，少走很多弯路。

517
Rrase·5 小时前

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。

140
Aalice_dev·12 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。

57
Kkite·12 分钟前已编辑

已收藏。正好这周要改这块，少走很多弯路。

390
Hhuang_ke·2 小时前

已收藏。正好这周要改这块，少走很多弯路。

123
Zzhou_yi·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。

246
Bbob_chen·12 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。

25
Kkernel_panic楼主·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。

4
Kkernel_panic·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。

10
Cchen_dev·2 天前第 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。

57
Lli_ming·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。

2
Rrase·昨天已编辑

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。

67
Sswoole_lee·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。

1
Nnikic·昨天已编辑

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。

58
Llinlin楼主·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。

27
Rran_bo·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。

57
Zzhou_yi·2 天前

已收藏。正好这周要改这块，少走很多弯路。

2
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。

55
Kkernel_panic·28 分钟前已编辑

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。

50
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。

298
Bbob_chen·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。

279
Zzhou_yi·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。

40
Hhuang_ke楼主·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。

2
Mmike_xu·12 分钟前

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。

159
Lli_ming·2 天前

已收藏。正好这周要改这块，少走很多弯路。

145
Mmike_xu·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。

367
Hhuang_ke·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。

135
Wwinter·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。

477
Kkernel_panic·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。

433
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。

274
Bbob_chen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。

125
Wwinter·2 天前第 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。

54
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。

35
Rrase·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。

206
Mmike_xu·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。

12
Cchen_dev·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」。

462
Ddev_zhou·1 小时前

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。

78
Ddev_zhou·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。

37
Wwinter·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」。

3
Cchen_dev·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。

218
Kkite·2 天前第 6 层

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」。

63
Kkite·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。

123
Llinlin·3 分钟前

感谢分享真实数据，比很多只讲概念的文章有用得多。

55
Sswoole_lee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。

173
Ttang_hao·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。

124
Zzhou_yi·2 天前

已收藏。正好这周要改这块，少走很多弯路。

1
Sslow_query·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。

7
Aalice_dev·3 分钟前

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。

34
Hhuang_ke·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。

156
Zzhu_zong版主·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。

153
Kkite楼主·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。

47
Lli_ming·3 分钟前

感谢分享真实数据，比很多只讲概念的文章有用得多。

32
Hhuang_ke·3 分钟前

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。

27
Zzhou_yi·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。

24
Hhuang_ke·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。

348
Zzhou_yi·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。

22
Zzhou_yi·2 天前

已收藏。正好这周要改这块，少走很多弯路。

55
Rran_bo·2 小时前

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。

191
Rran_bo·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。

358
Oops_wang·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。

38
Bbob_chen·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。

22
Sslow_query·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。

21
Rran_bo·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。

19
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。

16
Sswoole_lee·昨天

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。

14
Kkite·昨天

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。

6
Rrase·5 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。

5
Aalice_dev·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。

4
Mmike_xu·2 天前已编辑

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。

348
Sswoole_lee·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」。

208
Ddev_zhou·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。

4
Rrase版主·5 小时前已编辑

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。

16
Rran_bo·2 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。

3
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」。

1
Ttang_hao楼主·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。

296
Hhuang_ke·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」。

368
Oops_wang·2 小时前

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。

1

这是帖子详情页 /zh-CN/c/alertmanager-en/post/p1。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 →