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 · alertmanager-en 文档里没写清楚的那几个边界条件

219
ALr/alertmanager-en·由 alice_dev 发布·2 小时前原理

alertmanager-en 文档里没写清楚的那几个边界条件

网上关于 alertmanager-en 的文章大多停在「怎么用」，很少有人写「什么时候不该用」。这篇想补上后半句。

# 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

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。

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」。

第一件事是把变量收敛干净。我们最开始同时在改配置和升级版本，结果两组数据的差异根本说不清是哪个带来的。后来回滚到只动一个变量，重跑了三遍，曲线才稳定下来。这一步很枯燥，但省不掉。

94 条评论

94 条评论

我
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。

517
Ttang_hao·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。

439
Wwinter·3 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。

413
Rran_bo·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。

412
Aalice_dev·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。

384
Rrase楼主·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。

167
Hhuang_ke·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。

139
Sslow_query·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。

10
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。

399
Sslow_query·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。

393
Zzhou_yi·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。

373
Sswoole_lee·1 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。

354
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。

193
Hhuang_ke·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。

194
Nnikic·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。

89
Zzhu_zong·刚刚

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
Ttang_hao·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。

7
Zzhou_yi·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。

75
Hhuang_ke·28 分钟前

已收藏。正好这周要改这块，少走很多弯路。

74
Lli_ming·12 分钟前已编辑

已收藏。正好这周要改这块，少走很多弯路。

61
Rrase·2 天前第 6 层

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。

426
Zzhou_yi·2 小时前

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」。

351
Wwinter·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。

337
Wwinter·28 分钟前

已收藏。正好这周要改这块，少走很多弯路。

112
Nnikic楼主·2 小时前

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。

450
Aalice_dev·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。

28
Kkite·2 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。

144
Oops_wang·2 天前已编辑

感谢分享真实数据，比很多只讲概念的文章有用得多。

91
Mmike_xu楼主·1 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。

23
Zzhu_zong·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。

310
Lli_ming楼主·28 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。

1
Ttang_hao·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。

506
Kkernel_panic·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。

349
Ttang_hao·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。

86
Sslow_query·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。

10
Oops_wang·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
Ddev_zhou·刚刚第 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」。

232
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」。

60
Rran_bo·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。

9
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」。

119
Rran_bo楼主·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。

35
Mmike_xu·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。

39
Wwinter·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。

310
Bbob_chen·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。

321
Oops_wang·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。

314
Hhuang_ke·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。

294
Sswoole_lee·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。

244
Rran_bo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。

9
Zzhou_yi·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。

231
Rran_bo·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。

202
Oops_wang·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。

168
Zzhou_yi·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。

193
Zzhou_yi·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。

172
Zzhu_zong·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」。

160
Hhuang_ke·2 天前已编辑

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。

84
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。

1
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。

149
Mmike_xu·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。

70
Cchen_dev·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。

10
Lli_ming·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。

148
Bbob_chen·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。

519
Aalice_dev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。

306
Llinlin·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。

143
Ttang_hao·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。

17
Cchen_dev版主·刚刚已编辑

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。

133
Cchen_dev·1 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。

250
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。

488
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。

29
Sslow_query·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。

133
Mmike_xu·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。

115
Oops_wang·28 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。

57
Nnikic·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。

35
Mmike_xu·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」。

43
Ttang_hao·刚刚

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。

42
Aalice_dev·1 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。

40
Mmike_xu·28 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。

12
Mmike_xu·5 小时前已编辑

已收藏。正好这周要改这块，少走很多弯路。

391
Sswoole_lee·5 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。

12
Bbob_chen版主·3 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。

37
Aalice_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。

511
Zzhu_zong·2 天前

已收藏。正好这周要改这块，少走很多弯路。

223
Aalice_dev·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。

105
Sswoole_lee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」。

30
Sslow_query·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
Kkite·28 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。

103
Rrase·28 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。

282
Ddev_zhou·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。

39
Rrase·12 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。

12
Kkite·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。

9
Zzhou_yi版主·3 分钟前

已收藏。正好这周要改这块，少走很多弯路。

8
Nnikic·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。

1
Mmike_xu版主·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。

1
Sslow_query·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
Ttang_hao·5 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。

1

这是帖子详情页 /zh-CN/c/alertmanager-en/post/p2。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 →