问题遇到的现象和发生背景
已经有prometheus, grarfana, skywalking这些. 也有针对服务器的一些基础的告警能力.
比如CPU大于80%, 数据库链接数大于多少就告警这些.
但是得到的告警过于指标化, 运维人员无法基于这个告警,或图表,正确的评估出, 当前用户的实际使用感受是什么样的? 已经卡顿了? 完全不能用了?
简单点描述, 我就是想在系统奔溃前, 先于大多数人知道这个系统马上要奔了.
这个该怎么做?
问题相关代码,请勿粘贴截图
我自己的想法是, 是否应该基于接口的平均响应时间来做预警. 对于一类业务接口, 如果平时的响应时间是1s, 如果出现响应时间到了3s了并且持续1分钟以上. 基本可以断定这个业务场景, 已经出现卡顿了.
这时候就可以汇报一下了.
但这个整体方案应该是什么样的, 探针? 埋点? 还是什么. 请大家来说一下经验