容器服务报警管理

功能使用场景

容器服务报警配置功能集合容器场景的监控报警能力，提供报警的统一配置管理，有如下几个典型的使用场景：

• 集群运维
  可以通过监控报警第一时间了解集群管控、存储、网络、弹性扩缩容等异常事件。例如：

  • 通过集群资源异常报警规则集第一时间感知集群基础资源的关键指标是否异常。例如，CPU、Memory、网络等关键指标是否出现高水位情况，避免影响集群稳定性。
  • 通过配置并查看集群异常事件报警规则集感知集群节点或容器节点异常。例如，集群节点Docker进程异常、集群节点进程异常及集群容器副本启动失败等异常。
  • 通过配置并查看集群存储异常事件报警规则集感知集群存储的变更与异常。
  • 通过配置并查看集群网络异常事件报警规则集感知集群网络的变更与异常。
  • 通过配置并查看集群管控运维异常报警规则集感知集群管控的变更与异常等。
• 应用开发

  可以通过监控报警第一时间了解在集群中运行应用的异常事件、指标是否异常。例如，集群容器副本异常或者应用Deployment的CPU、内存水位指标是否超过阈值等。可通过开启报警配置功能中的默认报警规则模板，即可快速接受集群内应用容器副本的异常事件报警通知。例如，通过配置并订阅关注集群容器副本异常报警规则集感知所属应用的Pod是否异常。

• 应用管理

  关注运行在集群上的应用健康、容量规划、集群运行稳定性及异常甚至是错误报警等贯穿应用生命周期的一系列问题。例如，通过配置并订阅关注集群重要事件报警规则集感知集群内所有Warning、Error等异常报警；关注集群资源异常报警规则集感知集群的资源情况，从而更好地做容量规划等。

• 多集群管理

  当您有多个集群需要管理，为集群配置报警规则往往会是一个重复繁琐且难以同步的操作。容器服务报警配置功能，支持通过集群内部署CRD配置的方式管理报警规则。可通过维护多个集群中同样配置的CRD资源，来方便快捷地实现多集群中报警规则的同步配置。

组件安装与升级

控制台会自动检测报警配置环境是否符合要求，并会引导进行开通或安装、升级组件。

1. 登录容器服务管理控制台。
2. 在控制台左侧导航栏中，单击集群。
3. 在集群列表页面中，单击目标集群名称或者目标集群右侧操作列下的详情。
4. 在集群管理页左侧导航栏，选择运维管理 > 报警配置。
5. 在报警配置页面控制台会自动检查以下条件。
   若不符合条件，请按以下提示完成操作。

   • 已开通SLS日志服务云产品。当您首次使用日志服务时，需要登录日志服务控制台，根据页面提示开通日志服务。
   • 已安装事件中心。具体操作，请参见事件监控。
   • 集群托管组件alicloud-monitor-controller升级到最新版本。更多信息，请参见alicloud-monitor-controller。

   

如何接入报警配置功能

目前容器服务报警规则配置功能支持ACK托管版集群、ACK专有版集群。

步骤一：开启默认报警规则

• 创建ACK托管版集群时，打开使用默认报警模板配置报警开关，并选择报警通知联系人分组。
  开启后将会创建默认报警规则，并默认发送报警通知到此联系人分组。

  具体操作，请参见创建Kubernetes托管版集群。

• 若已创建集群，可在目标集群开启对应报警规则。
  1. 在目标集群左侧导航栏选择运维管理 > 报警配置配置管理。
  2. 在报警规则管理页签，打开启动状态可开启对应报警规则集。
  具体操作，请参见步骤二：手动配置报警规则。

步骤二：手动配置报警规则

ACK托管版集群、ACK专有版集群创建后，可进行报警规则、联系人和联系人分组管理。

1. 登录容器服务管理控制台。
2. 在控制台左侧导航栏中，单击集群。
3. 在集群列表页面中，单击目标集群名称或者目标集群右侧操作列下的详情。
4. 在集群管理页左侧导航栏，选择运维管理 > 报警配置。

   功能特性	说明
   报警规则管理	容器服务报警规则功能会默认生成容器场景下的报警模板（包含异常事件报警、异常指标报警）。 报警规则被分类为若干个报警规则集，可为报警规则集关联多个联系人分组，并启动或关闭报警规则集。 报警规则集中包含多个报警规则，一个报警规则对应单个异常的检查项。多个报警规则集可以通过一个YAML资源配置到对应集群中，修改YAML会同步生成报警规则。 关于报警规则YAML配置，请参见如何通过CRD配置报警规则。 关于默认报警规则模板，请参见默认报警规则模板。
   报警历史	目前可查看最近发送的近100条历史记录。单击对应报警报警规则类型的链接，可跳转到对应监控系统中查看详细规则配置；单击对应报警排查现场的链接可快速定位到异常发生的资源页面（异常事件、指标异常的资源）。
   联系人管理	对联系人进行管理，可创建、编辑或删除联系人。 集群资源异常报警规则集中集群节点基础资源报警，联系人短信、邮箱等联系方式需要在云监控中先验证联系方式，才能正常接收集群基础资源报警信息。可在云监控控制台查看同步联系人，若验证信息过期，可删除云监控中对应联系人并重新刷新容器服务报警中心的联系人页面。
   联系人分组管理	对联系人分组进行管理，可创建、编辑或删除联系人分组。当无联系人分组时，控制台会从您的阿里云账号注册信息中同步创建一个默认联系人分组。

5. 在报警规则管理页签，单击编辑通知对象可设置关联的通知对象；打开启动状态可开启对应报警规则集。

如何通过CRD配置报警规则

报警配置功能开启时，会默认在kube-system Namespace下创建一个AckAlertRule类型的资源配置，包含默认报警规则模板。容器服务报警规则集可通过此资源配置在集群中。

1. 登录容器服务管理控制台。
2. 在控制台左侧导航栏中，单击集群。
3. 在集群列表页面中，单击目标集群名称或者目标集群右侧操作列下的详情。
4. 在集群管理页左侧导航栏，选择运维管理 > 报警配置。
5. 在报警规则管理页签中，单击右上角编辑报警配置，可查看当前集群中的AckAlertRule资源配置，并可通过YAML文件修改。
   报警规则配置的YAML文件示例如下：

   apiVersion: alert.alibabacloud.com/v1beta1
   kind: AckAlertRule
   metadata:
     name: default
   spec:
     groups:
       #以下是一个集群事件报警规则配置样例。
       - name: pod-exceptions                             #报警规则分组名，对应报警模板中的Group_Name字段。
         rules:
           - name: pod-oom                                #报警规则名。
             type: event                                  #报警规则类型(Rule_Type)，枚举值为event（事件类型）、metric-cms（云监控指标类型）。
             expression: sls.app.ack.pod.oom              #报警规则表达式，当规则类型为event时，表达式的值为本文默认报警规则模板中Rule_Expression_Id值。
             enable: enable                               #报警规则开启状态，枚举值为enable、disable。
           - name: pod-failed
             type: event
             expression: sls.app.ack.pod.failed
             enable: enable
       #以下是一个集群基础资源报警规则配置样例。
       - name: res-exceptions                              #报警规则分组名，对应报警模板中的Group_Name字段。
         rules:
           - name: node_cpu_util_high                      #报警规则名。
             type: metric-cms                              #报警规则类型(Rule_Type)，枚举值为event（事件类型）、metric-cms（云监控指标类型）。
             expression: cms.host.cpu.utilization          #报警规则表达式，当规则类型为metric-cms时，表达式的值为本文默认报警规则模板中Rule_Expression_Id值。
             contactGroups:                                #报警规则映射的联系人分组配置，由ACK控制台生成，同一个账号下联系人相同，可在多集群中复用。
             enable: enable                                #报警规则开启状态，枚举值为enable、disable。
             thresholds:                                   #报警规则阈值，详情见文档如何更改报警规则阈值部分。            
               - key: CMS_ESCALATIONS_CRITICAL_Threshold
                 unit: percent
                 value: '1'

默认报警规则模板

如何为专有版集群授予报警功能访问权限

为专有版集群SLS报警功能及ARMS-Prometheus报警功能授予资源访问权限。更多信息，请参见RAM自定义授权场景及访问控制概述。

1. 登录容器服务管理控制台。
2. 在控制台左侧导航栏中，单击集群。
3. 在集群列表页面中，单击目标集群名称或者目标集群右侧操作列下的详情。
4. 在集群信息页面，单击集群资源页签Worker RAM角色字段右侧的链接，进入RAM访问控制控制台。
   
5. 在RAM角色管理页面的权限管理页签，单击对应权限策略名称的链接。
6. 在策略内容页签单击修改策略内容，并在右侧的修改策略内容面板将以下内容添加到策略内容中。

   {
               "Action": [
                   "log:*",
                   "arms:*",
                   "cms:*",
                   "cs:UpdateContactGroup"
               ],
               "Resource": [
                   "*"
               ],
               "Effect": "Allow"
   }

7. 单击确定完成配置。
8. 通过日志查看报警功能访问权限是否已配置。
   1. 在容器服务管理控制台目标集群管理页左侧导航栏，选择工作负载 > 无状态。
   2. 选择命名空间kube-system，单击无状态应用列表中alicloud-monitor-controller的名称链接。
   3. 单击日志页签，可看到授权成功的Pod日志。

如何修改集群基础资源报警规则的阈值

Rule_Type为metric-cms的报警规则，是同步自云监控的基础资源报警规则，此类规则可通过CRD配置报警规则的阈值。具体操作，请参见如何通过CRD配置报警规则。

本示例通过集群节点-CPU使用率规则的报警规则CRD，增加thresholds参数配置基础监控报警规则的阈值、重试判断次数、静默期配置。

apiVersion: alert.alibabacloud.com/v1beta1
kind: AckAlertRule
metadata:
  name: default
spec:
  groups:
    #以下是一个集群基础资源报警规则配置样例。
    - name: res-exceptions                                        #报警规则分组名，对应报警模板中的Group_Name字段。
      rules:
        - name: node_cpu_util_high                                #报警规则名。
          type: metric-cms                                        #报警规则类型(Rule_Type)，枚举值为event（事件类型）、metric-cms（云监控指标类型）。
          expression: cms.host.cpu.utilization                    #报警规则表达式，当规则类型为metric-cms时，表达式的值为本文默认报警规则模板中Rule_Expression_Id值。
          contactGroups:                                          #报警规则映射的联系人分组配置，由ACK控制台生成，同一个账号下联系人相同，可在多集群中复用。
          enable: enable                                          #报警规则开启状态，枚举值为enable、disable。
          thresholds:                                             #报警规则阈值，更多信息，请参见如何通过CRD配置报警规则。
            - key: CMS_ESCALATIONS_CRITICAL_Threshold
              unit: percent
              value: '1'  
            - key: CMS_ESCALATIONS_CRITICAL_Times
              value: '3'  
            - key: CMS_RULE_SILENCE_SEC
              value: '900'  

常见问题

报警规则同步失败且报错信息为The Project does not exist : k8s-log-xxx

问题现象：

当报警中心中报警规则同步状态出现如下情况：

问题原因：

未创建SLS事件中心资源。

解决方案：

1. 在日志服务管理控制台检查Project是否达到Quota上限，删除多余的Project，或提交工单申请扩大Project资源Quota限制。关于如何删除Project，请参见管理Project。
2. 重新安装ack-node-problem-detector组件。
   1. 在容器服务管理控制台目标集群管理页左侧导航栏中，选择应用 > Helm。
   2. 若您需要通过YAML方式重新安装ack-node-problem-detector组件，请通过以下操作备份ack-node-problem-detector组件资源。

      在Helm页面，单击ack-node-problem-detector组件右侧操作列的更新。更新完成后，单击ack-node-problem-detector组件右侧操作列详情。在ack-node-problem-detector组件详情页，单击所有资源信息的查看YAML，并保存各资源的YAML到本地。

   3. 在Helm页面，单击ack-node-problem-detector组件右侧操作列的删除。
   4. 在集群管理页左侧导航栏中，选择运维管理 > 组件管理。
   5. 单击日志与监控页签，在ack-node-problem-detector组件的卡片中单击安装。

      在提示对话框中确认版本信息后单击确定。安装成功后，对应组件卡片区域会提示已安装，且可查看组件当前版本。

由于无订阅的联系人组导致报警规则同步失败

问题现象：

当报警中心中报警规则同步状态出现如下情况：

报错信息为类似信息：this rule have no xxx contact groups reference。

问题原因：

报警规则无订阅的联系人组。

解决方案：

1. 已创建联系人，并将联系人加入联系人分组中。
2. 在对应报警规则集右侧单击编辑通知对象，为该组报警规则配置订阅的联系人分组。

关于上述操作的详情，请参见如何接入报警配置功能。