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 · 新手提问：alertmanager-en 的配置文件应该怎么组织？

1.3k
ALr/alertmanager-en·由 mike_xu 发布·3 天前开源

新手提问：alertmanager-en 的配置文件应该怎么组织？

这个问题我断断续续查了两周，中间走了不少弯路，把过程原样记下来，希望后面遇到的人能少花点时间。

最后提醒一个坑：容器环境下一定要记得同步调整内存相关的参数，否则宿主机的限制和进程内部的预期会对不上，表现就是偶发的、无法复现的失败。

# 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

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。

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。

143 条评论

143 条评论

· 已加载前 120 条
我
Ttang_hao楼主·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。

509
Zzhu_zong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。

470
Rran_bo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。

439
Hhuang_ke·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。

492
Sswoole_lee·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。

28
Rrase·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。

5
Sswoole_lee·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。

259
Bbob_chen·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。

18
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。

457
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。

331
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。

19
Ttang_hao·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。

344
Nnikic·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。

191
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」。

63
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。

1
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。

445
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。

431
Wwinter·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。

9
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。

100
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。

3
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。

10
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」。

363
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。

355
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。

348
Nnikic·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。

341
Aalice_dev·28 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。

325
Wwinter·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。

303
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。

281
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。

302
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。

295
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。

223
Wwinter·2 天前

已收藏。正好这周要改这块，少走很多弯路。

203
Cchen_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。

175
Llinlin版主·5 小时前

已收藏。正好这周要改这块，少走很多弯路。

168
Kkite·2 天前

已收藏。正好这周要改这块，少走很多弯路。

163
Oops_wang楼主·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。

70
Ttang_hao楼主·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。

183
Llinlin·12 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。

126
Zzhou_yi·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
Cchen_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。

125
Sswoole_lee·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。

110
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。

105
Sswoole_lee·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。

103
Aalice_dev·2 天前

已收藏。正好这周要改这块，少走很多弯路。

123
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。

79
Llinlin·刚刚

已收藏。正好这周要改这块，少走很多弯路。

77
Sslow_query·刚刚

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。

126
Kkite版主·12 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。

497
Sswoole_lee·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。

467
Zzhou_yi·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。

360
Kkite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。

98
Oops_wang·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。

2
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。

101
Oops_wang楼主版主·昨天第 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。

194
Nnikic·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。

160
Nnikic·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。

204
Mmike_xu·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。

366
Bbob_chen·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。

283
Aalice_dev·昨天

感谢分享真实数据，比很多只讲概念的文章有用得多。

102
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。

99
Oops_wang·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。

438
Ttang_hao·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」。

50
Ttang_hao楼主·刚刚已编辑

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
Cchen_dev·2 天前第 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。

152
Ttang_hao·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。

79
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
Sswoole_lee·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。

9
Rran_bo·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。

307
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。

30
Kkernel_panic·12 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。

204
Ddev_zhou·28 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。

369
Kkite·刚刚已编辑第 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」。

508
Wwinter·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。

156
Bbob_chen·2 天前

已收藏。正好这周要改这块，少走很多弯路。

281
Wwinter楼主·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。

490
Sslow_query·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。

77
Bbob_chen·28 分钟前已编辑

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。

43
Aalice_dev·3 分钟前第 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。

263
Sswoole_lee·1 小时前第 6 层

感谢分享真实数据，比很多只讲概念的文章有用得多。

260
Oops_wang楼主·2 天前第 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。

9
Cchen_dev·2 天前第 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。

3
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。

119
Sswoole_lee·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。

39
Llinlin·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。

18
Rran_bo·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。

100
Zzhou_yi·28 分钟前已编辑

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。

22
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。

141
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」。

74
Ddev_zhou·28 分钟前已编辑

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。

70
Kkite版主·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。

108
Zzhou_yi·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。

65
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。

63
Hhuang_ke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。

1
Mmike_xu·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·3 分钟前已编辑

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。

27
Cchen_dev·2 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。

270
Ddev_zhou·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。

27
Llinlin·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。

17
Wwinter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。

375
Hhuang_ke·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。

15
Zzhu_zong·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。

12
Aalice_dev·1 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」。

10
Lli_ming·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。

9
Wwinter·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。

179
Wwinter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。

21
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。

6
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。

474
Zzhou_yi·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。

66
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」。

165
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。

12
Kkernel_panic·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。

17
Cchen_dev·2 天前

已收藏。正好这周要改这块，少走很多弯路。

6
Wwinter·3 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。

6
Zzhou_yi·5 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。

5
Llinlin·28 分钟前

已收藏。正好这周要改这块，少走很多弯路。

19
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。

3
Nnikic楼主·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。

321
Rrase·2 天前已编辑

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。

2
Nnikic·28 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。

2
Sslow_query版主·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。

1

这是帖子详情页 /zh-CN/c/alertmanager-en/post/p6。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 →