深入理解Alertmanager：源碼解讀如何自定義Alert的恢復時間
Alertmanager 處理由 Prometheus 服務器等客戶端應用程序發送的告警。負責對它們進行分組、靜默、抑制、去重并路由到正確的接收方，例如Email、Wechat、Webhook。
Prometheus告警處理邏輯的問題
在prometheus告警體系中，在告警策略正常運行時，檢測到有新的符合告警規則的信息，就產生告警發送給alertmanager，如果恢復了，也會產生恢復的信息發送給alertmangaer，這是理想的情況。
如果在告警過程中有發生告警規則的更新，比如發現告警閾值太低，調整了閾值，那么在prometheus的更新過程中，會丟棄老的評估信息，直接使用新的評估規則再次運行評估，評估過程中，如果不會再產生告警，也不會產生恢復信息。
那就會產生一個問題，以前發送給Alertmanager的舊規則生成的告警，不會收到恢復了。
總結下就是：
- 每個評估周期持續發送告警給Alertmanger。
- 如果有規則更新，直接新啟goroutine執行新的評估，直接放棄老的規則和goroutine。
Alertmanager的修復邏輯
Prometheus評估后發送給Alertmanger的firing告警是沒有結束時間的。
[
{
"labels": {
"alert_class": "metric",
"alert_rule_id": "940",
"alert_severity": "1",
"alert_strategy": "cwhistle_demo_00",
"alert_strategy_id": "100",
"alertname": "入流量異常告警",
"city": "chongqing2",
"tcs_instance": "10.27.38.145",
"tcs_product": "clb",
"tcs_type": "clb_tgw_inner_outer"
},
"annotations": {
"query": "barad_tbr{tcs_type=~\"clb_tgw_inner_outer\",tcs_product=~\"clb\",clb_tgw_inner_outer=~\"10.27.38.145|10.27.38.146\"} < 5",
"value": "0.00"
},
"state": "firing",
"activeAt": "2021-01-25T08:31:34.941070644Z",
"value": "0e+00"
}
]
在Alertmanger中，告警的觸發和恢復判斷是基于時間范圍實現的，Alertmanager中Alert定義如下，自帶時間范圍。
// Alert is a generic representation of an alert in the Prometheus eco-system.
type Alert struct {
// Label value pairs for purpose of aggregation, matching, and disposition
// dispatching. This must minimally include an "alertname" label.
Labels LabelSet `json:"labels"`
// Extra key/value information which does not define alert identity.
Annotations LabelSet `json:"annotations"`
// The known time range for this alert. Both ends are optional.
StartsAt time.Time `json:"startsAt,omitempty"`
EndsAt time.Time `json:"endsAt,omitempty"`
GeneratorURL string `json:"generatorURL"`
}
當 Alert.EndsAt < time.Now() 時判定為恢復。
// Resolved returns true iff the activity interval ended in the past.
func (a *Alert) Resolved() bool {
return a.ResolvedAt(time.Now())
}
// ResolvedAt returns true off the activity interval ended before
// the given timestamp.
func (a *Alert) ResolvedAt(ts time.Time) bool {
if a.EndsAt.IsZero() {
return false
}
return !a.EndsAt.After(ts)
}
在Api的接收過程中，會確保每個Alert的StartsAt和EndsAt有值。
func (api *API) postAlertsHandler(params alert_ops.PostAlertsParams) middleware.Responder {
logger := api.requestLogger(params.HTTPRequest)
alerts := OpenAPIAlertsToAlerts(params.Alerts)
now := time.Now()
api.mtx.RLock()
resolveTimeout := time.Duration(api.alertmanagerConfig.Global.ResolveTimeout)
api.mtx.RUnlock()
for _, alert := range alerts {
alert.UpdatedAt = now
// Ensure StartsAt is set.
if alert.StartsAt.IsZero() {
if alert.EndsAt.IsZero() {
alert.StartsAt = now
} else {
alert.StartsAt = alert.EndsAt
}
}
// If no end time is defined, set a timeout after which an alert
// is marked resolved if it is not updated.
if alert.EndsAt.IsZero() {
alert.Timeout = true
alert.EndsAt = now.Add(resolveTimeout)
}
if alert.EndsAt.After(time.Now()) {
api.m.Firing().Inc()
} else {
api.m.Resolved().Inc()
}
}
.....
在上述代碼中可以看到，alert.EndsAt= time.Now() + 全局配置的ResolveTimeout（默認5分鐘)，也就是每個Alert默認給5分鐘的過期時間，過期就恢復。
事件告警自定義過期時間
默認的5分鐘對于prometheus metric告警是足夠的，但如果想使用基于loki的日志告警（通常為了控制資源消耗，不會設置很大的評估范圍），有時候偶發一個告警，然后很快就恢復了；或者想基于Event類型的事件告警，因為觸發頻率低，且不會持續發送，5分鐘就比較容易誤解。
那么在這里我們就可以基于Label著色和修改過期時間的方法自定義事件告警過期恢復時間。
實現如下：
這樣就可以實現事件告警的自定義恢復時間，同時可以利用Alertmanager已有的其他功能。
