工业云系统中告警反模式的表征与缓解

告警对于在云异常发生时请求及时的人工干预至关重要。告警的质量显著影响云可靠性以及云提供商的业务收入。在实践中，我们观察到值班工程师因大量存在误导性、无信息量、不可操作的告警而难以快速定位并修复故障云服务。我们将告警的这种低效性称为“告警反模式”。为了更好地理解告警反模式并提供缓解反模式的可行措施，本文首次针对某工业云系统中缓解告警反模式的实践开展了实证研究。我们研究了领先云提供商华为云(Huawei Cloud)的告警策略与告警处理流程。我们的研究结合了对两年间数百万条告警的定量分析以及针对十八位资深工程师的问卷调查。结果上，我们总结了四类个体告警反模式与两类集体告警反模式。我们还总结了当前缓解告警反模式的四种应对方式，以及告警策略配置的一般性预防准则。最后，我们提出探索告警质量(QoA)的自动评估，包括告警的指示性、精确性与可处理性，作为协助自动检测告警反模式的未来研究方向。我们的研究结论对于优化云监控系统与提升云服务可靠性具有价值。