参考资料

• Google SRE Alerting on SLOs
• Prometheus Alerting Rules
• Grafana Alerting

可观测性（03） - Dashboard、告警与降噪

读完后，你应能完成以下任务：

• 绘制“可观测性（03） - Dashboard、告警与降噪 / RED、USE 与业务指标视图”的关键对象与数据流，解释“Dashboard 按用户旅程、服务和依赖分层，所有图表显示版本与环境，避免只有 CPU 大盘。”，并用源码位置、日志或 Trace 标注证据。
• 为“可观测性（03） - Dashboard、告警与降噪 / 告警条件、聚合与路由”设计正常与异常输入，验证“告警基于持续用户影响和 SLO Burn Rate，而不是单次错误。”，输出首个偏差位置与回归测试结果。
• 实现“可观测性（03） - Dashboard、告警与降噪 / 告警演练与质量指标”的最小代码或配置，检验“每条告警在上线前回放历史数据，验证触发时间、误报和恢复；”，输出命令、结果与 Diff，并说明不适用边界。

一、先建立全局：Dashboard、告警与降噪 是什么？

理解“Dashboard、告警与降噪”，先要把标题中的对象放进同一条处理链：它接收什么输入，经过哪些状态变化，最终用什么证据判断结果。下表不另造概念，只把作者正文已经解释的章节按依赖顺序连起来。

“Dashboard、告警与降噪”的第一个核心判断是：避免只有 CPU 大盘。。先弄清这个判断中的对象和输入输出，后面的实现、故障和验收才有共同语境。

顺序	章节	读完本节应抓住的结论
1	RED、USE 与业务指标视图	避免只有 CPU 大盘。
2	告警条件、聚合与路由	告警基于持续用户影响和 SLO Burn Rate，而不是单次错误。
3	告警演练与质量指标	每条告警在上线前回放历史数据，验证触发时间、误报和恢复；
4	多窗口 Burn Rate 规则	倍率和窗口来自 SLO 设计，不能照搬示例。
5	在 Grafana 等可视化平台中	在 Grafana 等可视化平台中，
6	在线服务使用 Rate、Errors、Duration 观察请求	在线服务使用 Rate、Errors、Duration 观察请求，

1.1 核心对象之间怎样衔接

flowchart LR
  S1["RED、USE 与业务指标视图"] --> S2
  S2["告警条件、聚合与路由"] --> S3
  S3["告警演练与质量指标"] --> S4
  S4["多窗口 Burn Rate 规则"] --> S5
  S5["在 Grafana 等可视化平台中"]

这张图只表达本文的讲解顺序，不替代正文机制。判断“Dashboard、告警与降噪”是否真正掌握，需要能从最后一个结果沿图回到前面每个章节的输入、状态变化和证据。

1.2 再看失败：问题最早会出现在哪一步？

在“Dashboard、告警与降噪”的对象和顺序已经明确后，再看可观察的失败：环境漂移、探针失真、权限错误、发布扩大故障或回滚不可用。定位时不从最后一条错误猜原因，而是沿上图找第一个偏离正文结论的节点。

二、RED、USE 与业务指标视图

在 Grafana 等可视化平台中， 在线服务使用 Rate、Errors、Duration 观察请求， 基础设施使用 Utilization、Saturation、Errors， 关键业务再补成功率和积压。 Dashboard 按用户旅程、服务和依赖分层， 所有图表显示版本与环境， 避免只有 CPU 大盘。

三、告警条件、聚合与路由

告警基于持续用户影响和 SLO Burn Rate，而不是单次错误。 相同根因按服务、区域和告警名聚合，依赖故障可抑制下游派生告警； 路由包含负责人、严重度、Dashboard、查询和 Runbook。

四、告警演练与质量指标

每条告警在上线前回放历史数据，验证触发时间、误报和恢复； 故障演练确认通知到人、Runbook 可执行。 持续跟踪每月触发数、可行动率、确认时间和无影响告警，删除或合并无行动价值规则。

五、多窗口 Burn Rate 规则

伪规则同时要求短窗口和长窗口快速消耗错误预算。

alert: ApiAvailabilityFastBurn
for: 2m
condition:
  short_window: error_ratio_5m > 14.4 * error_budget
  long_window: error_ratio_1h > 14.4 * error_budget
labels:
  severity: page
annotations:
  runbook: https://runbooks.example.com/api-availability

倍率和窗口来自 SLO 设计，不能照搬示例。 恢复通知也应聚合，避免故障抖动反复呼叫。

六、故障边界与验证

现象	常见根因	验证与处理
每个实例都发相同告警	按高基数实例直接路由	在告警层按用户影响聚合，实例信息留在 Dashboard
告警很多但无用户影响	阈值基于单点资源而非 SLO	改用持续业务错误和饱和信号，并设置观察窗口
值班收到告警不知道怎么办	缺少负责人、查询和 Runbook	没有可执行动作的规则不能进入 page 级路由

七、动手验证：先跑通 Dashboard、告警与降噪，再改变一个变量

前面的章节已经建立问题、概念和机制。现在把“Dashboard、告警与降噪”放进同一套基线中运行；本节不再引入新术语，只验证前文结论能否被复现。

7.1 基线与候选只允许一个变量不同

验证“Dashboard、告警与降噪”时，先固定制品、配置、运行环境、流量样本、权限和回滚条件。候选方案只能改变本次要验证的变量；如果同时更换数据、依赖和配置，即使结果改善，也不能知道是哪一项产生作用。

执行“Dashboard、告警与降噪”时，动作是：执行部署或验收链路，并主动制造一次健康检查、网络或依赖失败。原始结果不能只保留截图或汇总分数，必须同步保存：命令退出码、事件、日志、指标、Trace、页面断言和制品摘要，使下一次复查可以在同一输入上重放。

实验要素	本文要求
固定条件	固定制品、配置、运行环境、流量样本、权限和回滚条件
唯一变量	本次候选方案与基线之间的一项明确差异
原始证据	命令退出码、事件、日志、指标、Trace、页面断言和制品摘要
通过阈值	成功路径达标，失败被及时阻断，恢复与回滚结果经过复测
立即停止	环境漂移、探针失真、权限错误、发布扩大故障或回滚不可用

7.2 执行前先排除不可比较条件

“Dashboard、告警与降噪”开始前先确认下面四项；任一项不成立，都应先修复实验条件，而不是解释结果。

• 基线能够在“Dashboard、告警与降噪”的当前环境重复运行。
• 候选只改变一个与“Dashboard、告警与降噪”结论直接相关的条件。
• “Dashboard、告警与降噪”的基线和候选使用同一批输入、同一版本依赖与同一通过阈值。
• “Dashboard、告警与降噪”的原始输出和失败现场不会被重试、格式化或汇总覆盖。

7.3 执行后先核对证据完整性

结果出来后先检查证据，再讨论“Dashboard、告警与降噪”是否通过。缺少中间状态时，最终输出只能说明现象，不能证明机制。

检查项	当前文章的判定
输入可追溯	固定制品、配置、运行环境、流量样本、权限和回滚条件
过程可回放	执行部署或验收链路，并主动制造一次健康检查、网络或依赖失败
结果可审计	命令退出码、事件、日志、指标、Trace、页面断言和制品摘要

“Dashboard、告警与降噪”的一次合格基线对照按以下顺序执行：

1. 保存“Dashboard、告警与降噪”基线版本及输入摘要，确认基线本身可以重复运行。
2. 写下“Dashboard、告警与降噪”候选方案唯一变化的变量，以及它预期影响的指标。
3. 在同一环境执行“Dashboard、告警与降噪”：执行部署或验收链路，并主动制造一次健康检查、网络或依赖失败。
4. 为“Dashboard、告警与降噪”保存：命令退出码、事件、日志、指标、Trace、页面断言和制品摘要。
5. 使用“Dashboard、告警与降噪”预登记条件判断：成功路径达标，失败被及时阻断，恢复与回滚结果经过复测。
6. 如果“Dashboard、告警与降噪”未通过，不修改第二个变量，先恢复基线并保留失败现场。

八、用一张矩阵验证 Dashboard、告警与降噪 的关键结论

矩阵按正文顺序列出“Dashboard、告警与降噪”的结论。一次实验只选择一行，只改变这一行对应的条件；不要把多行合并成一个无法归因的大实验。

正文章节	已解释的结论	本轮唯一变量	必须保存的证据
RED、USE 与业务指标视图	避免只有 CPU 大盘。	只改变与“RED、USE 与业务指标视图”相关的条件	命令退出码、事件、日志、指标、Trace、页面断言和制品摘要
告警条件、聚合与路由	告警基于持续用户影响和 SLO Burn Rate，而不是单次错误。	只改变与“告警条件、聚合与路由”相关的条件	命令退出码、事件、日志、指标、Trace、页面断言和制品摘要
告警演练与质量指标	每条告警在上线前回放历史数据，验证触发时间、误报和恢复；	只改变与“告警演练与质量指标”相关的条件	命令退出码、事件、日志、指标、Trace、页面断言和制品摘要
多窗口 Burn Rate 规则	倍率和窗口来自 SLO 设计，不能照搬示例。	只改变与“多窗口 Burn Rate 规则”相关的条件	命令退出码、事件、日志、指标、Trace、页面断言和制品摘要
在 Grafana 等可视化平台中	在 Grafana 等可视化平台中，	只改变与“在 Grafana 等可视化平台中”相关的条件	命令退出码、事件、日志、指标、Trace、页面断言和制品摘要
在线服务使用 Rate、Errors、Duration 观察请求	在线服务使用 Rate、Errors、Duration 观察请求，	只改变与“在线服务使用 Rate、Errors、Duration 观察请求”相关的条件	命令退出码、事件、日志、指标、Trace、页面断言和制品摘要

8.1 记录本次实际实验

下面的记录用于“Dashboard、告警与降噪”当前这一次实验，不是第二套知识目录。先从矩阵选择一个章节，再填写实际值；没有填写的字段表示尚未验证。

topic: "Dashboard、告警与降噪"
selected_chapter: required
claim_from_article: required
baseline_version: required
changed_condition: exactly_one
execution: "执行部署或验收链路，并主动制造一次健康检查、网络或依赖失败"
evidence: "命令退出码、事件、日志、指标、Trace、页面断言和制品摘要"
pass_when: "成功路径达标，失败被及时阻断，恢复与回滚结果经过复测"
stop_when: "环境漂移、探针失真、权限错误、发布扩大故障或回滚不可用"
observed_result: required
first_deviation: null_or_evidence
recovery_replay: required_after_failure

8.2 边界实验必须证明能够停止和恢复

成功路径只能证明“Dashboard、告警与降噪”在当前样本上工作，不能证明它可以进入生产。边界实验需要主动制造：环境漂移、探针失真、权限错误、发布扩大故障或回滚不可用，并观察系统是否在产生不可逆副作用前停止。

场景	只改变什么	应保存什么	通过标准
正常路径	使用已知有效输入	命令退出码、事件、日志、指标、Trace、页面断言和制品摘要	成功路径达标，失败被及时阻断，恢复与回滚结果经过复测
边界路径	把一个输入推进到约束临界值	临界值前后的输出与指标	不静默降级，不把部分结果冒充成功
明确失败	注入：环境漂移、探针失真、权限错误、发布扩大故障或回滚不可用	原始错误、首个异常阶段和最终状态	失败被正确分类且没有扩大副作用
恢复重放	执行：停止扩量，按制品、配置、运行时和依赖顺序定位并恢复	原失败样本的复测证据	原样本恢复，正常样本没有回归

恢复动作不是简单重启。对于“Dashboard、告警与降噪”，第一步是：停止扩量，按制品、配置、运行时和依赖顺序定位并恢复。完成后使用原始失败样本复测；只验证一个新样本成功，不能证明触发条件已经消失。

“Dashboard、告警与降噪”边界实验结束后，应把正常、临界、失败和恢复四类记录放在同一个运行批次中。这样才能区分“候选方案真的修复问题”和“环境变化让问题暂时没有出现”。

九、Dashboard、告警与降噪 的结果解释

解释“Dashboard、告警与降噪”实验时先看首个偏差，而不是最后一条错误。最后的异常通常只是上游状态错误的结果；从末端反推容易误把症状当根因。

观察结果	可以支持的判断	下一步
主链路没有达到预期	环境漂移、探针失真、权限错误、发布扩大故障或回滚不可用	先执行：停止扩量，按制品、配置、运行时和依赖顺序定位并恢复
异常链路无法恢复	环境漂移、探针失真、权限错误、发布扩大故障或回滚不可用	先执行：停止扩量，按制品、配置、运行时和依赖顺序定位并恢复
新样本成功但原样本仍失败	修复没有覆盖原始触发条件	固定原失败输入，恢复基线后重新比较
指标改善但证据无法回链	数据、版本或中间状态没有固定	暂停发布，补齐可追溯记录后重跑

“Dashboard、告警与降噪”只有同时满足“成功路径达标，失败被及时阻断，恢复与回滚结果经过复测”，并且没有出现“环境漂移、探针失真、权限错误、发布扩大故障或回滚不可用”，才可以认为主链路通过。这里的“通过”只对当前固定版本、样本和环境有效，不能外推到尚未测试的容量、权限或数据分布。

如果“Dashboard、告警与降噪”候选方案与基线差异很小，先检查证据分辨率是否足够；如果差异很大，先排除数据泄漏、环境漂移和版本不一致。两种情况都不能只看一个汇总均值，需要回到逐样本输出和中间状态。

“Dashboard、告警与降噪”故障定位完成后，记录“现象、首个偏差、根因、改动、原样本复测”五项。缺少原样本复测时，只能标记为待观察，不能标记为已解决。

十、Dashboard、告警与降噪 的发布判断

发布判断需要把“Dashboard、告警与降噪”的质量、失败边界和恢复能力放在同一份记录中。以下任一条件缺失，都应停止扩量，而不是用“基本正常”替代证据。

• “Dashboard、告警与降噪”的基线与候选只存在一个计划内变量。
• “Dashboard、告警与降噪”的输入、代码、依赖、配置和数据版本可以追溯。
• “Dashboard、告警与降噪”的正常、临界、失败和恢复样本使用同一套断言。
• “Dashboard、告警与降噪”的原始输出、中间状态和失败现场已经保留。
• “Dashboard、告警与降噪”的日志、Trace、截图和测试数据已经脱敏。
• “Dashboard、告警与降噪”的停止条件、负责人和回滚入口已经演练。
• “Dashboard、告警与降噪”尚未覆盖的输入、权限、容量和外部依赖已经登记。

最终记录至少包含基线版本、唯一变量、原始证据、首个偏差、恢复复测和发布责任人。没有参与本次修改的人如果不能据此重放“Dashboard、告警与降噪”的判断，就不能发布。

十一、总结

• RED、USE 与业务指标视图：Dashboard 按用户旅程、服务和依赖分层，所有图表显示版本与环境，避免只有 CPU 大盘。
• 告警条件、聚合与路由：告警基于持续用户影响和 SLO Burn Rate，而不是单次错误。
• 告警演练与质量指标：每条告警在上线前回放历史数据，验证触发时间、误报和恢复；
• 多窗口 Burn Rate 规则：倍率和窗口来自 SLO 设计，不能照搬示例。