閾值及基線
Excubius 中的每項檢查都從基線開始:一個已公開、有名稱的數值,例如 Microsoft 的指引或你自己的復原目標。實體和單一資源可以覆蓋該數值,而畫面一律會顯示當前生效數值的來源。本文說明基線及其來源、有效值如何解析、嚴重程度及 for 持續時間如何決定警報何時開啟,以及如何啟用和停用檢查。
有效閾值如何解析
Excubius 從目錄基線出發,沿實體樹向下走到資源。每個層級都可以取代一個數值,最具體的數值優先。數值會逐項解析:在這個示例中,警告層級來自生產環境,而嚴重層級來自資源本身。
層級可以覆蓋的鍵如下:
| 鍵 | 含義 |
|---|---|
warn | 警告規則 |
crit | 嚴重規則 |
expect | 預期狀態,用於比較狀態的檢查 |
window、sigma | 自適應檢查的學習時段及範圍 |
層級也可以關閉規則。若實體關閉某項檢查的警告層級,其下所有資源就不再為該檢查發出警告警報,直至較低層級重新設定該規則為止。
基線及其來源
目錄中的每項檢查都會註明其基線的來源,附上參考資料,通常還有解釋該數值的備註。編輯檢查時,資源的 Checks 分頁會在 Baseline: 下顯示來源,警報詳細資料則顯示備註,因此沒有人需要猜測限值為何設在該處。
| 來源 | 典型基線 |
|---|---|
| Microsoft 文件 | SQL Server CPU 80% 及 90%,讀取的磁碟延遲 20 ms,記錄寫入的延遲 10 ms,可用性群組的健康狀態 |
| Azure Monitor 建議的警報 | 虛擬機器 CPU 高於 80%,可用記憶體低於 10%,Azure SQL DTU 高於 80%,任何死鎖 |
| CIS Benchmark | sa 已停用、外圍功能已關閉、特權群組成員資格、已設定審核 |
| 社群做法 | Page life expectancy、阻塞、記錄檔空間、佇列大小 |
| 你的復原目標(RPO / RTO) | 最近一次完整備份及記錄備份的經過時間、可用性群組的預計數據遺失量、Data Factory 的每日截止時間 |
| 供應商文件 | PostgreSQL 交易 ID 回捲、Linux 勘誤公告、Azure 服務 |
基線是起點,而不是定論。請把你的復原目標設為備份及數據遺失檢查的實體預設值,例如設在桃花島物流上,該實體之下的每個資源都會遵循這些目標。
誰可以更改什麼
| 位置 | 誰可以更改 | 方式 |
|---|---|---|
| 單一資源 | 該資源所屬實體上的 Editor 或更高角色 | 資源的 Checks 分頁:只適用於此資源的閾值。未更改的層級會保留繼承而來的數值。Back to inherited thresholds 會移除資源自己的數值 |
| 實體及其下的所有內容 | 該實體上的 Entity admin | Settings › Entities,閾值預設值:每個層級可選 Inherit、Set here 或 Turn off here |
每項變更都會連同更改者及時間記錄在稽核記錄中。實體預設值適用於把數值與限值比較的檢查;比較狀態的檢查保留目錄中的規則,編輯器也會註明這一點。
嚴重程度及 for 持續時間
一項檢查可以有兩條規則:warn 及 crit。每條規則都有運算子(>、>=、<、<=、==、!=、in、not_in 或 matches)、一個數值,以及選用的 for 持續時間,例如 30s、15m、1h 或 1d。
- 條件必須在整個
for持續時間內持續成立,警報才會開啟。較早消除的短暫尖峰永遠不會變成警報。 - 警報採用條件已持續足夠時間的最嚴重層級。當警告變成嚴重,同一條警報會升級,而不會另開第二條。
- 恢復是即時的:條件一旦不再成立,警報就會解決。
並非每項檢查都把數字與限值比較。目錄使用幾種評估方式:
| 類型 | 判斷方式 |
|---|---|
| 閾值 | 對量測值套用規則,例如 CPU 百分比 |
| 經過時間 | 對經過的時間,或對某項事物到期前的剩餘天數套用規則。從未發生的事情(例如從未備份的數據庫)視為無限久之前 |
| 數量 | 對資料列數量套用規則,例如被阻塞的工作階段。沒有資料列即數量為零,因此警報會解決 |
| 狀態 | 結果的每個欄位都必須符合預期狀態,例如必須為 HEALTHY 的複本 |
| 變化 | 計數器會轉換成每秒或每分鐘的速率,再對速率套用規則。對於其他數值,與上一次執行相比的任何變化(例如容錯移轉或 sysadmin 的新成員),都是一項事件,會保持開啟直至有人解決 |
| 自適應 | 學習數值的正常範圍;見下文 |
實際測試真實路徑的探測(例如連結伺服器或網頁端點),會在連續多次嘗試失敗後變成嚴重:預設為一次,連結伺服器則為三次。
自適應基線
有些吞吐量指標沒有合理的固定限值:每秒批次請求數、Data Factory 管線的持續時間、應用程式吞吐量。這些檢查使用自適應基線,把數值與資源自己在一段時間內的歷史比較,例如 14 天,範圍為兩個標準差。
在此版本中,自適應檢查只會學習。它們的數值會被儲存,狀態顯示 Learning,但目前不會發出警報。它們絕不會改變其他檢查的固定閾值。
啟用和停用檢查
新增資源時,Excubius 會為它加入該資源類型的所有預設啟用的目錄檢查,涵蓋你的安裝已啟用的模組。少數目錄檢查預設為停用,需按要求才會加入資源。
- Editor 可以在 Checks 分頁中,為單一資源停用或啟用某項檢查,例如在實驗室伺服器上。已停用的檢查會以灰色保留在清單中,讓人不會忘記它的存在。
- 編輯者也可以更改某項檢查在該資源上的執行頻率,由 10 秒至 7 天。留空時,檢查會按目錄的間隔執行,介乎 30 秒至 24 小時。
- 如要讓某項檢查在整個分支內停止發出警報,同時保留其歷史記錄,實體管理員可以在實體上關閉其層級。
你的選擇在重新探索及升級後仍會保留:Excubius 只會加入缺少的預設檢查,絕不會改動現有檢查。