1. 告警基础认知

做运维这些年，我处理过太多告警了。说实话，刚入行那会儿，看到告警就慌。后来慢慢摸清了门道——告警不是敌人，它是你的哨兵。这一章，咱们就把告警的基础认知聊透。

什么是告警

告警，说白了就是系统在喊「救命」。它告诉你某个指标不对劲了，需要你关注。

举个例子：你部署了一个Web服务，正常QPS是1000。突然某天QPS掉到100，系统就会发出告警。这不是系统在捣乱，而是它在提醒你——出问题了。

我在项目中遇到过一件事：有个同事把告警阈值设得太低，结果每天收到几千条告警。最后他直接把告警通知关了。嗯，后果可想而知——服务挂了两个小时才发现。

告警的生命周期

告警不是凭空产生，也不是凭空消失的。它有自己的生命周期。你想想看，一个告警从出生到死亡，大概经历这几个阶段：

1. 触发阶段——系统检测到异常，生成告警
2. 确认阶段——运维人员收到告警，开始排查
3. 处理阶段——定位问题，制定修复方案
4. 恢复阶段——问题解决，告警消除
5. 复盘阶段——分析根因，优化告警规则

我记得有一次，一个P0告警半夜两点触发。我爬起来处理，花了半小时定位到是数据库连接池满了。修复后告警自动恢复。但第二天复盘时发现——这个告警其实可以提前预防的。从那以后，我养成了每周复盘告警的习惯。

告警的等级划分（P0-P4）

告警等级这事儿，不同公司定义不太一样。但大体上，P0到P4是通用的。我整理了一个表格，方便你对照：

等级	含义	响应时间	典型场景
P0	核心服务不可用	立即响应（5分钟内）	支付服务挂了、数据库宕机
P1	重要功能受损	15分钟内	用户登录失败、订单超时
P2	非核心功能异常	1小时内	某个报表生成失败
P3	轻微异常	24小时内	磁盘使用率超过80%
P4	信息性告警	不强制响应	版本更新通知

这里有个坑，我曾经踩过：P0告警的响应时间定得太宽松。结果有一次支付服务挂了，团队花了20分钟才响应。用户投诉电话都打爆了。所以我的建议是——P0告警必须做到「秒级响应」。

告警与日志的区别

这个问题，我经常被新人问到。告警和日志，听起来像是一回事，其实差别很大。

告警是「主动通知」——系统发现问题，主动找你。它关注的是「异常」和「阈值」。

日志是「被动记录」——系统把发生的事情写下来，等你去看。它关注的是「全量」和「细节」。

打个比方：告警就像家里的烟雾报警器，着火了它会响。日志就像监控摄像头，24小时录像，但没人会一直盯着看。

我在项目中遇到过一种情况：有个服务频繁报错，但告警规则没覆盖到。结果全靠翻日志才发现问题。后来我学乖了——告警和日志要配合使用。告警告诉你「出事了」，日志告诉你「为什么出事」。

本章知识体系

下面这张图，帮你梳理了告警基础认知的核心逻辑：

这张图把告警基础认知的四个核心模块串起来了。你看，告警是什么、怎么划分等级、生命周期怎么走、跟日志有什么区别——这些知识点是环环相扣的。搞懂了这些，后面的告警处理技巧才能用得上。