负载均衡要告警什么
负载均衡的告警围绕四类指标：健康成员数下降、5xx 比例上升、带宽接近规格上限、连接数逼近上限。它们的共同点是都能在用户大规模投诉之前先出信号。阈值建议分两级——预警级用于提前介入，例如健康成员数少一台就先看趋势；故障级用于立即响应，例如全部成员不健康或 5xx 比例持续偏高。分级的意义在于既不漏报，也不把值班同学半夜叫醒去看一条无关紧要的曲线。
基本信息
| 监控对象 | 健康成员数、5xx 与 4xx 比例、带宽、连接数 |
|---|---|
| 两级阈值 | 预警级（提前介入）与故障级（立即响应） |
| 通知 | 短信、邮件、IM 机器人接入值班流程 |
| 降噪 | 同源告警合并、设置抑制与恢复通知 |
典型使用场景
- 健康成员数减少时第一时间介入，避免逐步恶化到全部不可用
- 5xx 比例上升时与后端日志联动，快速判断是个体还是整体问题
- 带宽与连接数接近规格时提前扩容，而不是等触发限速
- 大促与发布期间临时收紧阈值，提高发现问题的灵敏度
用 CLI 做健康状态巡检
用 CLI 做健康状态巡检
aliyun slb DescribeHealthStatus --RegionId cn-hangzhou \
--LoadBalancerId lb-xxxxxxxx | grep -c Normal
# 对比期望的健康成员数，少于预期即需关注
# 可写入定时任务做每日巡检并输出报告指标与阈值参考
| 指标 | 建议阈值 |
|---|---|
| 健康成员数 | 低于期望值的八成即预警 |
| 5xx 比例 | 持续高于百分之一即介入 |
| 带宽使用率 | 达到规格八成预警 |
| 连接数 | 达到规格八成预警 |
健康检查参数调整后同步复核告警阈值，避免阈值的业务含义漂移。
降噪比加告警更难
告警配多了容易被忽略，配少了又会漏问题，难点在于降噪。实用的做法有三条：把同一原因引发的多条告警合并成一条，例如多台后端同时不健康时只发一条汇总；给非故障级告警加持续时长条件，过滤瞬时抖动；明确每条告警的处置动作与责任团队，收到后知道该做什么。定期复盘误报率，把长期无人处理的告警直接下线，比不断新增规则更能提升告警的可信度。