创建和管理报警规则以接收集群异常通知-开源大数据平台 E-MapReduce-阿里云

当您需要监控各服务资源的使用情况时，可以创建报警规则。如果资源的监控指标达到报警条件，云监控自动发送报警通知，帮助您及时得知集群的异常情况，并快速处理。本文为您介绍如何在EMR控制台创建和查看报警规则。

背景信息

报警功能由云监控服务提供。如果您需要管理报警规则或获取更多监控和报警功能，可以在云监控控制台完成。更多信息，请参见什么是云监控。

前提条件

已创建集群，详情请参见创建集群。

使用限制

如果您使用的是RAM用户，则需要在RAM用户权限中添加以下内容。添加RAM用户权限的详细操作，请参见为RAM用户授权。

{
    "Version": "1",
    "Statement": [
        {
            "Action": [
                "cms:DescribeContactGroupList",
                "cms:DescribeMetricMetaList",
                "cms:PutResourceMetricRules",
                "cms:DescribeMetricRuleList"
            ],
            "Resource": "*",
            "Effect": "Allow"
        }
    ]
}

创建报警规则

通过模板创建报警规则

进入报警管理页面。
1. 登录E-MapReduce控制台。
2. 在顶部菜单栏处，根据实际情况选择地域和资源组。
3. 在EMR on ECS页面，单击目标集群的集群ID。
4. 单击上方的集群监控页签。
5. 单击报警管理。
在报警管理页面，单击创建报警规则。
在创建报警规则面板，单击目标服务操作列的创建报警规则。

编辑相关规则，单击创建。

参数	说明
规则描述	当前模板下报警规则信息。您可以查看指标名称，并可以修改默认阈值。服务范围及阈值说明，请参见模板服务范围。
通道沉默周期	如果报警发生后未恢复正常，间隔多久再次发送一次报警通知。
生效时间	表示报警规则的有效时段，报警规则只在有效时段内才会检查监控数据是否需要报警。
报警联系人组	选择相应的报警联系人组，从而实现通过报警联系组接收报警通知的目的。
报警通知方式	选择报警通知方式和报警邮件主题。报警通知方式可选：电话+短信+邮件+钉钉机器人短信+邮件+钉钉机器人邮件+钉钉机器人报警邮件主题（非必填）：填写后，发送报警的邮件通知中会附带您的备注信息。
报警回调地址	填写公网可访问的URL，云监控会将报警信息通过POST请求推送到该地址，目前仅支持HTTP协议。

创建完成后，报警规则对当前实例生效。您可以在报警管理下查看已创建的报警规则。

单击报警管理页面的管理报警规则，可以跳转到云监控控制台查看或修改报警规则。

自定义创建报警规则

进入报警管理页面。
1. 登录E-MapReduce控制台。
2. 在顶部菜单栏处，根据实际情况选择地域和资源组。
3. 在EMR on ECS页面，单击目标集群的集群ID。
4. 单击上方的集群监控页签。
5. 单击报警管理。
在报警管理页面，单击创建报警规则。
在创建报警规则面板，单击自定义创建页签。

编辑相关规则，单击创建。

参数	说明
报警规则	设置报警规则，包括报警规则名称和报警规则主体。报警规则的主体，定义在监控数据满足指定条件时，触发报警规则。说明报警规则中EMR监控指标的说明信息，请参见云监控指标查询。通过单击添加报警规则，您可以设置多个报警规则的主体。
通道沉默周期	如果报警发生后未恢复正常，间隔多久再次发送一次报警通知。
生效时间	表示报警规则的有效时段，报警规则只在有效时段内才会检查监控数据是否需要报警。
报警联系人组	选择相应的报警联系人组，从而实现通过报警联系组接收报警通知的目的。
报警通知方式	选择报警通知方式和报警邮件主题。报警通知方式可选：电话+短信+邮件+钉钉机器人短信+邮件+钉钉机器人邮件+钉钉机器人报警邮件主题（非必填）：填写后，发送报警的邮件通知中会附带您的备注信息。
报警回调（非必填）	填写公网可访问的URL，云监控会将报警信息通过POST请求推送到该地址，目前仅支持HTTP协议。

创建完成后，报警规则对当前实例生效。您可以在报警管理下查看已创建的报警规则。

单击报警管理页面的管理报警规则，可以跳转到云监控控制台查看或修改报警规则。

查看报警规则

在报警管理页面，您可以查看已创建的报警规则。

参数	说明
规则名称	CMS报警规则名称。
状态	当前报警规则在云监控服务中的生效状态，包括正常、报警、无数据、已禁用和已启用。
规则描述	报警规则的主体。当监控数据满足报警条件时，触发报警规则。
报警联系人组	发送报警的联系人组。
操作	详情：跳转至CMS控制台，可查看当前报警规则的详情、报警联系人组、报警历史和报警资源。编辑规则：跳转至CMS控制台，可以对当前规则参数进行修改。

模板服务范围

服务名称	组件名称	指标	说明
节点（Host）	磁盘	emr_node_part_max_used	每分钟检查一次指标数据是否满足平均值>80%，持续2个周期，满足条件则触发告警。
	CPU	emr_node_cpu_idle	每分钟检查一次指标数据是否平均值<5%，持续5个周期，满足条件则触发告警。
	内存	emr_node_mem_used_percent	每分钟检查一次指标数据是否满足平均值>90%，持续2个周期，满足条件则触发告警。
HDFS	NameNode	hdfs_namenode_jvm_MemHeapUsedM / hdfs_namenode_jvm_MemHeapMaxM	每分钟检查一次指标数据是否满足平均值>95%，持续2个周期，或者没有指标产生，满足条件则触发告警。
	NameNode	hdfs_namenode_rpc_service_activity_CallQueueLength	每分钟检查一次指标数据是否平均值>1000，持续2个周期，满足条件则触发告警。
	NameNode	hdfs_namenode_fsnamesystem_CorruptBlocks	每分钟检查一次指标数据是否平均值>1，持续2个周期，满足条件则触发告警。
	NameNode	hdfs_namenode_safemode_status	每分钟统计一次，如果发生1次处于safemode的情况，则触发告警。
	DataNode	hdfs_datanode_jvm_MemHeapUsedM / hdfs_datanode_jvm_MemHeapMaxM	每分钟检查一次指标数据是否满足平均值>95%，持续2个周期，或者没有指标产生，满足条件则触发告警。
Spark	SparkHistoryServer	spark_history_jvm_old_space_utilization	每分钟检查一次指标数据是否平均值>95%，持续2个周期，满足条件则触发告警。
Spark	SparkThriftServer	spark_thrift_driver_jvm_heap_used/spark_thrift_driver_jvm_heap_max	每分钟检查一次指标数据是否平均值>95%，持续2个周期，满足条件则触发告警。
Hive	HiveMetaStore	hive_metastore_memory_heap_used/hive_metastore_memory_heap_max	每分钟检查一次指标数据是否平均值>95%，持续2个周期，满足条件则触发告警。
	HiveMetaStore	hive_metastore_threads_blocked_count	每分钟检查一次指标数据是否平均值>50%，持续2个周期，满足条件则触发告警。
	HiveServer2	hive_server_memory_heap_used/hive_server_memory_heap_max	每分钟检查一次指标数据是否平均值>95%，持续2个周期，满足条件则触发告警。
	HiveServer2	hive_server_threads_deadlock_count	每分钟检查一次指标数据是否平均值>50%，持续2个周期，满足条件则触发告警。
YARN	ResourceManager	yarn_cluster_status	如果在过去5分钟内发生了多次HA切换（至少两次），或者存在无状态为1的节点，或者存在状态一直为-1的节点，则触发告警。
	ResourceManager	yarn_resourcemanager_jvm_MemHeapUsedM / yarn_resourcemanager_jvm_MemHeapMaxM	每分钟检查一次指标数据是否满足平均值>95%，持续2个周期，或者没有指标产生，满足条件则触发告警。
	NodeManager	yarn_cluster_unhealthyNodes	每分钟检查一次指标数据是否平均值>1，持续2个周期，满足条件则触发告警。
	NodeManager	yarn_nodemanager_jvm_MemHeapUsedM / yarn_nodemanager_jvm_MemHeapMaxM	每分钟检查一次指标数据是否满足平均值>95%，持续2个周期，或者没有指标产生，满足条件则触发告警。
	TimelineServer	yarn_timelineserver_jvm_MemHeapUsedM / yarn_timelineserver_jvm_MemHeapMaxM	每分钟检查一次指标数据是否满足平均值>95%，持续2个周期，或者没有指标产生，满足条件则触发告警。
	MRHistoryServer	yarn_jobhistory_jvm_MemHeapUsedM / yarn_jobhistory_jvm_MemHeapMaxM	每分钟检查一次指标数据是否满足平均值>95%，持续2个周期，或者没有指标产生，满足条件则触发告警。
Zookeeper	Zookeeper	zk_znode_count	每分钟检查一次指标数据是否平均值>=10000，持续2个周期，满足条件则触发告警。
Zookeeper	Zookeeper	zk_watch_count	每分钟检查一次指标数据是否平均值>=1000，持续2个周期，满足条件则触发告警。
Kafka	KafkaBroker	Kafka_Broker_kafka_log_LogManager_OfflineLogDirectoryCount	每分钟检查一次指标数据是否平均值>0，持续2个周期，满足条件则触发告警。
Kafka		Kafka_Broker_kafka_server_ReplicaManager_UnderReplicatedPartitions	每分钟检查一次指标数据是否平均值>0，持续2个周期，满足条件则触发告警。
Presto/Trino	Trino	trino_QueryManager_FailedQueries_OneMinute_Count	每分钟检查一次指标数据是否平均值>=1，持续2个周期，满足条件则触发告警。
	Trino	trino_ClusterMemoryPool_name_general_BlockedNodes	每分钟检查一次指标数据是否平均值>0，持续2个周期，满足条件则触发告警。
	Presto	presto_QueryManager_FailedQueries_OneMinute_Count	每分钟检查一次指标数据是否平均值>=1，持续2个周期，满足条件则触发告警。
	Presto	presto_ClusterMemoryPool_name_general_BlockedNodes	每分钟检查一次指标数据是否平均值>0，持续2个周期，满足条件则触发告警。
Impala	Impalad	num_waiting_queries	每分钟检查一次指标数据是否平均值>=10，持续2个周期，满足条件则触发告警。说明您可以根据集群查询并发调整阈值。
Kudu	kudu-master	kudu_cluster_replica_skew	每分钟检查一次指标数据是否平均值>=1000，持续2个周期，满足条件则触发告警。说明您可以根据使用情况适当调整阈值。