报警配置功能提供容器场景报警能力的统一管理,包括容器服务异常事件报警,以及容器场景指标报警,支持在创建集群时默认开启报警功能。容器服务的报警规则支持通过集群内部署CRD的方式配置管理。本文介绍如何接入报警配置功能及授予报警功能资源的访问权限。

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,可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通用异常;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. 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. 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
    报警配置

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。 创建集群

    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. 报警规则管理页签,打开启动状态可开启对应报警规则集。
    报警规则管理具体操作,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. 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)。报警历史查看
    联系人管理 对联系人进行管理,可创建、编辑或删除联系人。
    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. 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. 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. 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:
        - name: pod-exceptions                     ## 报警规则集名。
          rules:
            - name: pod-oom                        ## 报警规则名。
              type: event                          ## 报警规则类型,枚举值为event(事件类型)、metric(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SLS日志服务事件报警sls_event_id。
              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

默认报警规则模板

在以下情况下ACK会默认创建相应报警规则:
  • 开启默认报警规则功能。
  • 未开启默认报警规则,首次进入报警规则页面。
默认创建的报警规则如下表所示。
规则集类型 规则名 ACK_CR_Rule_Name SLS_Event_ID
critical-events集群重要事件报警规则集 集群error事件 error-event sls.app.ack.error
集群warning事件 warn-event sls.app.ack.warn
cluster-error集群异常事件报警规则集 集群节点docker进程异常 docker-hang sls.app.ack.docker.hang
集群驱逐事件 eviction-event sls.app.ack.eviction
集群GPU的XID错误事件 gpu-xid-error sls.app.ack.gpu.xid_error
集群节点重启 node-restart sls.app.ack.node.restart
集群节点时间服务异常 node-ntp-down sls.app.ack.ntp.down
集群节点PLEG异常 node-pleg-error sls.app.ack.node.pleg_error
集群节点进程异常 ps-hang sls.app.ack.ps.hang
res-exceptions集群资源异常报警规则集 集群节点文件句柄过多 node-fd-pressure sls.app.ack.node.fd_pressure
集群节点磁盘空间不足 node-disk-pressure sls.app.ack.node.disk_pressure
集群节点进程数过多 node-pid-pressure sls.app.ack.node.pid_pressure
集群节点调度资源不足 node-res-insufficient sls.app.ack.resource.insufficient
集群节点IP资源不足 node-ip-pressure sls.app.ack.ip.not_enough
pod-exceptions集群容器副本异常报警规则集 集群容器副本OOM pod-oom sls.app.ack.pod.oom
集群容器副本启动失败 pod-failed sls.app.ack.pod.failed
集群镜像拉取失败事件 image-pull-back-off sls.app.ack.image.pull_back_off
cluster-ops-err集群管控运维异常报警规则集 无可用LoadBalancer slb-no-ava sls.app.ack.ccm.no_ava_slb
同步LoadBalancer失败 slb-sync-err sls.app.ack.ccm.sync_slb_failed
删除LoadBalancer失败 slb-del-err sls.app.ack.ccm.del_slb_failed
删除节点失败 node-del-err sls.app.ack.ccm.del_node_failed
添加节点失败 node-add-err sls.app.ack.ccm.add_node_failed
创建VPC网络路由失败 route-create-err sls.app.ack.ccm.create_route_failed
同步VPC网络路由失败 route-sync-err sls.app.ack.ccm.sync_route_failed
安全巡检发现高危风险配置 si-c-a-risk sls.app.ack.si.config_audit_high_risk
托管节点池命令执行失败 nlc-run-cmd-err sls.app.ack.nlc.run_command_fail
托管节点池未提供任务的具体命令 nlc-empty-cmd sls.app.ack.nlc.empty_task_cmd
托管节点池出现未实现的任务模式 nlc-url-m-unimp sls.app.ack.nlc.url_mode_unimpl
托管节点池发生未知的修复操作 nlc-opt-no-found sls.app.ack.nlc.op_not_found
托管节点池销毁节点发生错误 nlc-des-node-err sls.app.ack.nlc.destroy_node_fail
托管节点池节点排水失败 nlc-drain-node-err sls.app.ack.nlc.drain_node_fail
托管节点池重启ECS未达到终态 nlc-restart-ecs-wait sls.app.ack.nlc.restart_ecs_wait_fail
托管节点池重启ECS失败 nlc-restart-ecs-err sls.app.ack.nlc.restart_ecs_fail
托管节点池重置ECS失败 nlc-reset-ecs-err sls.app.ack.nlc.reset_ecs_fail
托管节点池自愈任务失败 nlc-sel-repair-err sls.app.ack.nlc.repair_fail
cluster-network-err集群网络异常事件报警规则集 Terway资源无效 terway-invalid-res sls.app.ack.terway.invalid_resource
Terway分配IP失败 terway-alloc-ip-err sls.app.ack.terway.alloc_ip_fail
解析ingress带宽配置失败 terway-parse-err sls.app.ack.terway.parse_fail
Terway分配网络资源失败 terway-alloc-res-err sls.app.ack.terway.allocate_failure
Terway回收网络资源失败 terway-dispose-err sls.app.ack.terway.dispose_failure
Terway虚拟模式变更 terway-virt-mod-err sls.app.ack.terway.virtual_mode_change
Terway触发PodIP配置检查 terway-ip-check sls.app.ack.terway.config_check
Ingress重载配置失败 ingress-reload-err sls.app.ack.ingress.err_reload_nginx
cluster-storage-err集群存储异常事件报警规则集 云盘容量少于20Gi限制 csi_invalid_size sls.app.ack.csi.invalid_disk_size
容器数据卷暂不支持包年包月类型云盘 csi_not_portable sls.app.ack.csi.disk_not_portable
挂载点正在被进程占用,卸载挂载点失败 csi_device_busy sls.app.ack.csi.deivce_busy
无可用云盘 csi_no_ava_disk sls.app.ack.csi.no_ava_disk
云盘IOHang csi_disk_iohang sls.app.ack.csi.disk_iohang
磁盘绑定的PVC发生slowIO csi_latency_high sls.app.ack.csi.latency_too_high
磁盘容量超过水位阈值 disk_space_press sls.app.ack.csi.no_enough_disk_space

如何为专有版集群授予报警功能访问权限

专有版集群在使用报警规则功能之前,需要手动添加权限。
说明 托管版集群已自动添加SLS报警功能资源的访问权限。

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. 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. 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。
    worker ram角色
  5. 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. 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:*",
                    "cs:UpdateContactGroup"
                ],
                "Resource": [
                    "*"
                ],
                "Effect": "Allow"
    }
  7. 单击确定完成配置。

    结果验证

    1. 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。Pod日志