CloudWatch 警报与通知

AWS 监控与故障排查

John Q. Martin

Principal Consultant

什么是 CloudWatch 警报

核心概念

在一段时间内监控单个指标
当指标越过阈值时执行操作

CloudWatch 警报的六个核心组件：metric、threshold、period、evaluation periods、datapoints to alarm 和 actions

警报状态

CloudWatch 警报的三种状态：OK、ALARM 和 INSUFFICIENT_DATA

随着指标数据到达，CloudWatch 警报在不同状态间转换的示意图

警报评估

按指定间隔收集数据点
在周期上应用统计量（Average、Sum、Max、Min）
将结果与阈值比较
统计越界的评估周期数
若达到 datapoints-to-alarm 阈值则变更状态

Metric: CPUUtilization > 80%
Period: 5 min | 
Eval Periods: 3 | 
Datapoints to Alarm: 2 of 3

Period 1: 85% (breach) | 
Period 2: 75% (ok) | 
Period 3: 90% (breach)
Result: ALARM — 2 of 3 breached

评估策略

三种警报评估策略：连续、部分、单次越界及其灵敏度权衡

警报操作类型与触发点

触发条件

OK
ALARM
INSUFFICIENT_DATA

操作类型

SNS 通知
Auto Scaling
EC2 操作（stop/terminate/reboot/recover）
Systems Manager

缺失数据行为

缺失数据处理选项：notBreaching、breaching、ignore 和 missing

创建标准警报：AWS CLI

aws cloudwatch put-metric-alarm \
  --alarm-name HighCPUUtilization \
  --alarm-description "Alert when CPU exceeds 80%" \
  --metric-name CPUUtilization \
  --namespace AWS/EC2 \
  --statistic Average \
  --period 300 \
  --evaluation-periods 2 \
  --threshold 80 \
  --comparison-operator GreaterThanThreshold \
  --dimensions Name=InstanceId,Value=i-1234567890abcdef0 \
  --alarm-actions arn:aws:sns:us-east-1:123456789012:my-topic

复合警报：概念与动机

问题

相关警报各自触发，造成告警疲劳

解决方案

使用逻辑运算符合并警报

复合警报逻辑：用 AND、OR、NOT 组合子警报

创建复合警报：AWS CLI

aws cloudwatch put-composite-alarm \
  --alarm-name CriticalSystemHealth \
  --alarm-description "Critical when CPU and Memory both high" \
  --actions-enabled \
  --alarm-actions arn:aws:sns:us-east-1:123456789012:critical-alerts \
  --alarm-rule "ALARM(HighCPUAlarm) AND ALARM(HighMemoryAlarm)"

复杂规则示例

--alarm-rule "(ALARM(HighErrorRate) OR ALARM(HighLatency)) \
  AND NOT ALARM(MaintenanceMode)"

阈值选择策略

阈值选择策略：基线偏差、容量上限、SLA 目标、变化率

多层级警报策略

多层级警报响应：warning、critical、emergency 分别路由到不同 SNS 主题

示例： CPU 警告 75%，严重 90%，分别推送到不同 SNS 主题

异常检测警报

aws cloudwatch put-metric-alarm \
  --alarm-name AnomalousTraffic \
  --comparison-operator LessThanLowerOrGreaterThanUpperThreshold \
  --metrics '[
    {"Id":"m1","MetricStat":{"Metric":{"Namespace":"AWS/ApplicationELB",
      "MetricName":"RequestCount"},"Period":300,"Stat":"Average"}},
    {"Id":"e1","Expression":"ANOMALY_DETECTION_BAND(m1, 2)"}
  ]'

ML 模型学习指标的正常行为
生成可配置的动态阈值带
适应每日/每周模式
减少手动调阈工作

资源警报：Lambda 与 ALB

Lambda 警报

推荐的 Lambda 警报：关注错误数、限流、持续时间接近超时上限

ALB 警报

推荐的 ALB 警报：关注目标响应时间、不健康主机和 5xx 错误数

警报管理最佳实践

命名：<Service>-<Metric>-<Resource>-<Severity>
描述：监控内容、阈值、排障提示、runbook 链接
标签：Environment、Team、Severity
每月回顾：调阈、清理过时、更新操作

aws cloudwatch set-alarm-state \
  --alarm-name MyAlarm \
  --state-value ALARM \
  --state-reason "Testing alarm notification"

视频小结

三种状态：OK、ALARM、INSUFFICIENT_DATA
评估策略：连续、部分、单次越界
复合警报：用 AND、OR、NOT 组合多个警报
四种阈值策略：统计、容量、SLA、变化率
分级告警：warning → critical → emergency
资源警报：Lambda（错误、限流、持续时间）与 ALB（5xx、延迟）

让我们一起练习吧！

AWS 监控与故障排查