prometheus配置告警表达式，定期检查是否触发阈值，若触发阈值，则通过HTTP发送告警给alertManager。
# cat node_alerts.yml
groups:
- name: cpu_alerts
rules:
- alert: CPUAlert
expr: 100 - avg(irate(node_cpu_seconds_total{mode="idle"}[1m])) by (instance) * 100 > 60
for: 3m
labels:
severity: warning
annotations:
summary: High Node CPUprometheus告警状态
告警有三种状态：
- 初始触发阈值，生成alert并置alert状态=pending；
- 当该alert在pending维持一定时间(如for 3m)，alert状态=Firing；
- prometheus通过HTTP POST发送alert给alertManager；
- 当alert不再触发阈值，则alert状态=Inactive；
prometheus告警判定
首先，用告警表达式查询最新的数据，若查询到结果，则说明触发了阈值，生成新的alert对象。
然后，将本次触发阈值的alert与当前active的alert列表进行比对，根据不同的场景管理alert的生命周期。
管理alert生命周期的过程：
原来没有alert，本次符合阈值：
- 新建一个alert对象，状态=pending，放入r.active数组；
原来有alert=pending，本次符合阈值：
- 没有达到holdDuration：保持不变；
- 达到holdDuration：更新状态=Firing， 触发时间fireAt=ts；
原来有alert=pending，本次不符合阈值：
- 将其从r.active中删除；
- alert状态修改为Inacvie，ResolvedAt=ts:
原来有alert=firing，本次符合阈值：
- 保持不变；
原来有alert=firing，本次不符合阈值：
- alert状态=Inactive，ResolvedAt=ts；
- 若resolveAt已过15min，那么将其从r.active中删除；(便于alertmanager判断其恢复)
//rules/alerting.go
func (r *AlertingRule) Eval(ctx context.Context, ts time.Time, query QueryFunc, externalURL *url.URL) (promql.Vector, error) {
res, err := query(ctx, r.vector.String(), ts) //用告警表达式去查询数据，若查询到结果，则触发了阈值
// 本次触发的告警lables.hash()集合
resultFPs := map[uint64]struct{}{}
var vec promql.Vector
var alerts = make(map[uint64]*Alert, len(res))
for _, smpl := range res {
......
lbs := lb.Labels()
h := lbs.Hash()
resultFPs[h] = struct{}{}
alerts[h] = &Alert{ //生成告警对象
Labels: lbs,
Annotations: annotations,
ActiveAt: ts,
State: StatePending, //触发了pending
Value: smpl.V,
}
}
for h, a := range alerts {
// 已经是active，更新value和annotations
if alert, ok := r.active[h]; ok && alert.State != StateInactive {
alert.Value = a.Value
alert.Annotations = a.Annotations
continue
}
r.active[h] = a // []active存放所有pending&Firing的告警
}
// Check if any pending alerts should be removed or fire now. Write out alert timeseries.
for fp, a := range r.active {
// 针对之前已有的告警，现在不再满足阈值了
if _, ok := resultFPs[fp]; !ok {
// If the alert was previously firing, keep it around for a given
// retention time so it is reported as resolved to the AlertManager.
if a.State == StatePending || (!a.ResolvedAt.IsZero() && ts.Sub(a.ResolvedAt) > resolvedRetention) { // resolvedRetention=15min
delete(r.active, fp)
}
// 不再触发阈值了，将其state修改为Inactive，ResolvedAt有值
if a.State != StateInactive {
a.State = StateInactive
a.ResolvedAt = ts
}
continue
}
// 针对之前的pending，现在holdDuration已到，更新其状态为Firing
if a.State == StatePending && ts.Sub(a.ActiveAt) >= r.holdDuration {
a.State = StateFiring
a.FiredAt = ts
}
}
return vec, nil
}这里有个特别的地方：
原来Firing的告警，本次不再触发阈值，那么它将变成Inactive，同时alert.ResolvedAt=now()。
同时，该alert对象要等resolvedRetention(15min)后，才从r.actvie[]中删除，按照注释的说法：
// If the alert was previously firing, keep it around for a given
// retention time so it is reported as resolved to the AlertManager.也就是继续保留resolvedRetention(15min)，保留过程中alert是Inactive且恢复的状态。
由于prometheus会发送r.active[]中的告警对象给alertManager，也就是说，Inactive后的15min内，prometheus会不停的向alertManager发送恢复。
prometheus告警发送
发送前的判断
- 仅发送r.active[]且alert.State!=Pending，即仅发送：Firing[告警]/Inactive[恢复]；
- 发送前要控制发送的频率，1min发送一次；
//rules/alerting.go
func (r *AlertingRule) sendAlerts(ctx context.Context, ts time.Time, resendDelay time.Duration, interval time.Duration, notifyFunc NotifyFunc) {
alerts := []*Alert{}
r.ForEachActiveAlert(func(alert *Alert) {
if alert.needsSending(ts, resendDelay) {
alert.LastSentAt = ts
anew := *alert
alerts = append(alerts, &anew)
}
})
notifyFunc(ctx, r.vector.String(), alerts...)
}仅发送r.active[]数组中的告警:
func (r *AlertingRule) ForEachActiveAlert(f func(*Alert)) {
r.mtx.Lock()
defer r.mtx.Unlock()
//仅发送r.active[]数组中的告警
for _, a := range r.active {
f(a)
}
}仅发送Firing(告警)和Inactive(resolved恢复)的告警，并且1min发送一次：
func (a *Alert) needsSending(ts time.Time, resendDelay time.Duration) bool {
if a.State == StatePending { // 不会发送Pending状态的alert
return false
}
// if an alert has been resolved since the last send, resend it
if a.ResolvedAt.After(a.LastSentAt) {
return true
}
return a.LastSentAt.Add(resendDelay).Before(ts) // resendDlay=1min，这里保证1min发送一次
}发送的过程
- 将当前所有告警json序列化生成payload(使用V1)，发送给每个alertmanager；
- 发送失败时，没有retry，仅记录日志和metrics计数；
//notifier/notifier.go
// sendAll sends the alerts to all configured Alertmanagers concurrently.
// It returns true if the alerts could be sent successfully to at least one Alertmanager.
func (n *Manager) sendAll(alerts ...*Alert) bool {
begin := time.Now()
//发往AlertManager的payload，目前使用V1
var v1Payload, v2Payload []byte
amSets := n.alertmanagers ## 所有的alertmanagers对象
for _, ams := range amSets {
switch ams.cfg.APIVersion {
case config.AlertmanagerAPIVersionV1:
{
if v1Payload == nil {
v1Payload, err = json.Marshal(alerts)
......
}
payload = v1Payload // r.active[]序列化组成payload
}
...
}
for _, am := range ams.ams {
wg.Add(1)
ctx, cancel := context.WithTimeout(n.ctx, time.Duration(ams.cfg.Timeout))
defer cancel()
go func(client *http.Client, url string) {
if err := n.sendOne(ctx, client, url, payload); err != nil { // sendOne负责具体发送
level.Error(n.logger).Log("alertmanager", url, "count", len(alerts), "msg", "Error sending alert", "err", err)
n.metrics.errors.WithLabelValues(url).Inc()
}
......
wg.Done()
}(ams.client, am.url().String())
}
}
wg.Wait()
return numSuccess > 0
}向alertManager发送POST /api/v1/alerts：
//notifier/notifier.go
// HTTP将alert[]发送到单个alertmanager
func (n *Manager) sendOne(ctx context.Context, c *http.Client, url string, b []byte) error {
req, err := http.NewRequest("POST", url, bytes.NewReader(b))
if err != nil {
return err
}
req.Header.Set("User-Agent", userAgent)
req.Header.Set("Content-Type", contentTypeJSON)
resp, err := n.opts.Do(ctx, c, req)
if err != nil {
return err
}
defer func() {
io.Copy(ioutil.Discard, resp.Body)
resp.Body.Close()
}()
// Any HTTP status 2xx is OK.
if resp.StatusCode/100 != 2 {
return errors.Errorf("bad response status %s", resp.Status)
}
return nil
}