微软云账号购买 微软云监控预警灵敏度

微软云账号购买 各位 Azure 老战友，有没有过这种深夜体验：

凌晨两点，手机狂震——「CPU 使用率连续 5 分钟 > 80%」；你一个鲤鱼打挺坐起，咖啡灌进气管，手速拉出 Metrics Explorer，结果发现：那条曲线温顺得像只刚打完疫苗的布偶猫，峰值 79.3%，稳稳卡在阈值下 0.7%……

再一查告警历史，过去 48 小时共触发 17 条同款预警，其中 14 条是「虚惊一场」，2 条是「告警后 3 秒自动恢复」，剩下 1 条……是你手动把 VM 关了又重开，系统误以为它经历了一次濒死抢救。

欢迎来到微软云监控预警灵敏度的世界——这里没有绝对真理，只有不断试探阈值边界的悲壮工程师，和永远在「太敏感」与「太迟钝」之间走钢丝的告警系统。

一、不是告警太吵，是你的阈值在跳探戈

Azure Monitor 的警报规则（Alert Rule）本身不背锅。它就像个严格按说明书操作的德国技工：你说「温度超 100℃ 就拉铃」，它绝不等到 100.1℃ 才响——但问题来了：你定的 100℃，到底是开水沸点，还是你家烤箱预热温度？

常见翻车现场：

• 「平均 CPU > 70%」——听起来合理？错。Azure 默认采集粒度是 1 分钟，而「平均」是这 60 秒内所有采样点的算术平均。结果就是：某后台任务每分钟爆发式占满 CPU 10 秒，其余 50 秒闲得抠脚，平均下来刚好 70%……告警准时响起，而你的服务纹丝不动。
• 「内存使用率 > 85%」——你以为在防 OOM？Azure 的内存指标（Available Memory Bytes）实际反映的是「可用物理内存」，不含 Page File。Windows Server 会主动缓存文件到内存，这部分叫「Standby List」，看似被占用，实则秒级可回收。于是你看着 92% 内存使用率心跳加速，进去一看，Cache 占了 60%，真正吃紧的进程连 2G 都没摸到。

💡 实操建议：别迷信百分比。对 CPU，改用「Average CPU > 85% for 10 out of 15 minutes」（15 分钟窗口内，至少 10 个采样点超标）；对内存，盯紧「Used Memory Bytes」而非百分比，结合「Memory % Committed Bytes In Use」看提交内存占比——这才是 Windows 真正的 OOM 前哨。

二、静默期？不，那是告警的「选择性失忆症」

Azure 允许为告警设置「静默期（Auto-resolve duration）」，比如「触发后 30 分钟内不再重复通知」。听起来很贴心？现实是：你设了 30 分钟静默，结果第 31 分钟，同一指标又超阈值——系统立刻再发一条新告警，附赠一句冷酷提示：「This alert was triggered again after auto-resolve period」。

更魔幻的是：如果静默期内指标反复波动（超→降→超），Azure 不会合并，而是默默攒着，等静默期一过，啪！ 甩给你 7 条未读消息，标题全一样，时间戳精确到秒，像七胞胎兄弟排着队敲你门。

这不是 Bug，是设计哲学：Azure 把每次状态变化都视为独立事件。但在人类世界里，这叫「骚扰式提醒」。

💡 破局三招：

1. 延长静默期，但别瞎延：根据业务节奏定。批处理任务每小时跑一次？静默期设 70 分钟比 30 分钟更合理；
2. 加一层「告警抑制」：用 Action Group + Logic App 做智能路由——同一资源 1 小时内超阈值超 3 次，自动升级为 P1 并电话通知；否则仅发邮件；
3. 启用「动态阈值」（Preview 功能）：让 Azure 基于历史数据自动学习基线。上周此时段 CPU 均值是 45%，标准差 8%，那今天超 65% 才告警——终于有点 AI 味儿了。

三、通知渠道：从「全员广播」到「精准投送」的进化史

当年我们最爱把告警塞进企业微信群，美其名曰「信息透明」。结果呢？

• DBA 正在优化慢查询，手机弹出「Storage Account IOPS > 90%」——点开一看，是测试环境的 Blob 存储，压测脚本忘关了；
• 前端同学收到「App Service CPU 爆表」，冲去 Kudu 查日志，发现是隔壁组用它当临时 FTP 传了 20G 视频；
• 最绝的是某次「HTTPS 证书即将过期」告警，发给了 47 个人，最后发现证书绑在已下线的旧域名上，没人敢删，怕删了祖传的 404 页面。

告警泛滥的本质，是通知没做「权限映射」。

💡 推荐配置组合：

• 紧急级别（P0）：电话 + 短信 + 专属钉钉群（仅 SRE 轮值成员）；
• 高风险（P1）：企业微信 @ 相关责任人 + 自动创建 Azure DevOps 工单；
• 观察类（P2）：每日摘要邮件（含趋势图+环比变化），附带「一键忽略本周同类告警」按钮——人性化的温柔一刀。

四、终极心法：把告警当产品来运营

很多团队把监控当基础设施配菜，其实它该是核心产品。建议每月做一次「告警健康度审计」：

• 噪音率：无效告警 / 总告警 × 100% —— 超过 30%？该砍阈值了；
• 响应时效
• 闭环率：告警触发后 24 小时内是否更新 Root Cause？低于 85%？说明告警没指向真问题。