139
alertmanager-en 在 8 核 16G 机器上的压测数据（附完整脚本）
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
43 条评论
43 条评论
我
Cchen_dev·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。
451
Kkite·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。
444
Kkite·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。
405
Sslow_query·28 分钟前
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。
385
Rrase·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。
356
Sswoole_lee·1 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。
338
Cchen_dev·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。
318
Mmike_xu·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。
234
Rrase·12 分钟前
已收藏。正好这周要改这块，少走很多弯路。
146
Zzhou_yi·昨天
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。
118
Hhuang_ke楼主·刚刚
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。
35
Kkite·1 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。
82
Ttang_hao楼主·刚刚
感谢分享真实数据，比很多只讲概念的文章有用得多。
193 条直接回复
Kkernel_panic·3 分钟前
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。
3983 条直接回复
Ttang_hao版主·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。
1732 条直接回复
Oops_wang·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。
53
Oops_wang·12 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。
1
Ddev_zhou版主·1 小时前
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。
963 条直接回复
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。
2744 条直接回复
Mmike_xu楼主·12 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。
3293 条直接回复
Wwinter·2 天前已编辑第 6 层
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。
235
Oops_wang·12 分钟前第 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。
169
Oops_wang·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」。
4
Oops_wang·5 小时前
已收藏。正好这周要改这块，少走很多弯路。
11
Sslow_query·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。
8
Hhuang_ke·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。
6
Sswoole_lee版主·3 分钟前已编辑
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。
1881 条直接回复
Hhuang_ke·2 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。
5071 条直接回复
Zzhou_yi·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
Aalice_dev·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。
54
Mmike_xu·刚刚
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」。
882 条直接回复
Wwinter·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 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。
22
Hhuang_ke·2 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。
276
Mmike_xu·3 分钟前
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。
2222 条直接回复
Oops_wang·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。
125
Wwinter·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。
40
Sslow_query·12 分钟前
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。
45
Lli_ming·28 分钟前
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。
42
Ddev_zhou·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。
40
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。
5
Cchen_dev版主·昨天
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。
5
Oops_wang·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
这是帖子详情页 /zh-CN/c/alertmanager-en/post/p10。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 →