什么是故障

故障代表一个正在发生的问题或者一个需要处理的事项。故障一般由告警触发，常常关联了一些列相似的告警。

故障、告警和事件

当Flashduty接收到告警事件（比如Zabbix的一条告警通知），系统会自动触发一条告警，而这条告警将会触发一条故障。多条相似的活跃告警，可能会被聚合到同一条故障中，一起分派、通知和处理。

我们可以简单的理解为：故障，是相似告警的组合，在没有降噪的情况下，故障等同于告警。反过来，降噪的场景下，故障等同于其关联的多条告警。关于告警的降噪模型，请阅读了解降噪过程了解更多。

故障严重程度、状态和进度

严重程度

Info：轻微，服务本身仍然正常运行，仅做服务状态提醒，无需立即处理。
Warning：警告，服务可能出错或者即将发生问题，应尽早介入避免问题升级。
Critical：严重，服务大面积出错甚至中断，用户受到影响，必须理解介入处理。

故障、告警和事件，均使用以上三种严重程度。严重程度首字母大写，您在使用 api 时需要特别注意。三者的严重程度生成规则如下：

事件的严重程度：不同集成来源（如Zabbix和夜莺）的告警事件有不同的严重程度枚举值，Flashduty会按照一定规则映射为以上三种标准严重程度。具体映射关系，请您参阅具体集成的接入文档。
告警的严重程度：等于所关联的事件中最高级别的严重程度。
故障的严重程度：等于所关联的告警中最高级别的严重程度。

处理进度

待处理：故障触发后，处理进度默认为”待处理“，系统会发起自动分派，设置处理人员并进行通知。
处理中：任意人员点击 认领故障，处理进度将立即变为”处理中“。在此情况下，故障的处理人员可能处于 已认领 或 未认领 的状态，但至少有一个人处于”已认领“状态。当所有处理人都取消认领，故障处理进度将回退到“待处理”。
已关闭：任意人员点击 关闭故障 或 故障自动恢复，处理进度将立即变为“已关闭”。

故障状态

告警的状态代表的是故障在原始监控系统中的状态，即“已恢复”或“未恢复”。故障的状态完全由其关联的告警来决定。

已恢复：故障关联的告警均已恢复，故障将自动恢复。
未恢复：故障关联的告警至少有一条未恢复，故障将处于未恢复状态。

:::highlight orange 💡
故障自动恢复将导致（处理进度）自动关闭；但手动关闭故障，对故障的状态没有任何影响。
:::

故障标签

标签（Labels）是 Flashduty 中很重要的一个基础概念，不同的标签描述了告警、故障在不同维度的信息，并被大量应用于过滤、检索、聚合等场景。

标签是如何生成的？

告警的标签提取自原始告警系统上报过来的事件消息体。不同来源有不同的提取方式，大致上，我们采取 应取尽取 的原则。比如对于 Prometheus 来源的告警事件，Flashduty 会提取 Payload 中的 Labels 和 Annotations 信息。

标签只能通过事件上报得到，不能手动修改或添加。一个自动触发的故障，其标签永远等于其关联的第一条告警的标签。一个手动触发的故障，其标签永远为空。

Flashduty 提供了标签增强方案，用于自动化生成标签，前往了解更多。

故障生命周期

1. 触发新故障

自动触发：Flashduty 接收到集成上报的告警事件（如 Zabbix 通知），事件自动触发一条告警，告警自动触发一条故障。

手动触发：手动在 Flashduty 控制台，点击 创建故障 按钮，填写标题、描述、严重程度等信息，触发一条新故障。

2. 分派与通知

新故障触发以后，Flashduty 将依次匹配所属协作空间下的分派策略。匹配到分派策略之后，系统会将故障分派给个人、团队成员或者值班人员并进行通知。如果没有匹配到分派策略，故障将不会分派给任何人，也不会有任何通知。

您可以针对不同时间段，或者不同类型的故障设置不同的分派策略，以达到灵活分派的效果。系统允许您在一个分派策略下，设置多个分派环节。如果当前环节的分派人员，在指定时间内，没有完成故障的确认和处理，系统将自动升级到下一环节。升级等同于将故障重新分派给其他人员。

您可以在分派策略中，灵活安排通知方式，Flashduty支持非常多的群聊和单聊通知通道。单聊是一对一的推送渠道（如语音、短信和邮件），群聊是将消息推送到消息群中（如飞书、钉钉和 Slack），并对分派人员进行额外提醒。

:::highlight orange 💡
注意，一个故障只有被分派后，才会进行通知。没有分派，就没有任何通知。
:::

如果您将故障分派给了一个没有人On-Call的值班表（轮空），系统将不会给任何个人发起通知，但如果您配置了群聊通道，仍然会给该群聊推送消息。

3. 认领和解决

On-Call 人员收到通知后，可以立即进行认领。您可以在 语音电话、即时消息中认领故障。认领后，故障处理进度将变为 处理中。

:::highlight orange 💡
Flashduty 目前没有限制故障仅能被“已分派的处理人员”认领。任何看到的故障的人员，均可以点击认领。
:::

关闭故障 将导致处理进度变为 已关闭。如果故障关联的告警自动恢复，故障也将自动关闭。相反，如果您手动关闭了故障，将导致故障关联的所有告警自动关闭。这意味着，这些告警将不会再合入任何新的事件。

故障时间线

任一故障都有一个时间线，用于回溯故障历史不同时刻发生的变化和操作。比如故障在什么时间点，以什么通道通知到了谁，以及通知的结果。

触发故障

通过集成触发故障

Flashduty 已经支持大部分常见监控系统，包括 Prometheus、Zabbix、夜莺以及云监控等，前往夜莺 Flashcat 集成指引查看具体操作步骤。

:::highlight orange 💡
Flashduty 支持专属集成和共享集成模式。将告警投递到协作空间下的专属集成，故障将在此协作空间下触发。
或者将告警投递到集成中心的共享集成，然后配置路由，将告警按规则投递到不同的协作空间。
:::

通过 API 触发故障

Flashduty 提供了一个自定义事件标准，允许您通过标准协议上报告警，适用于任何未适配的监控系统。详细文档请阅读自定义事件集成指引。

:::highlight orange 💡
为了保证整个系统的稳定，Flashduty 目前对于 API 上报有 200qps 的频率限制，超出限制之后将会拒绝上报。
:::

:::highlight orange 💡
请确保您会主动关闭告警，或者在协作空间下，设置了故障超时自动关闭。故障数量太多时，会导致控制台检索性能急剧下降。届时，系统可能会对历史故障进行关闭，而不进行任何通知。
:::

通过邮件触发故障

Flashduty 提供了一个邮件集成，允许您通过发送邮件来上报告警，适用于所有支持邮件提醒的监控系统。详细文档请阅读自定义事件集成指引。

:::highlight orange 💡
您可以为每一个集成设置特定的邮件前缀。您也可以联系我们，为主体账号设置一个方便记忆的专属域名。比如，order-service@tesla.flashcat.cloud。
:::

通过控制台触发故障

控制台点击创建按钮，发起故障创建。

字段	是否必须	描述
故障标题	是	一句话指明发生了什么
故障描述	否	故障的细节描述，支持 Markdown 语法
严重程度	是	选择 Critical、Warning、Info 三个枚举值之一
协作空间	否	故障归属，如果不选择，代表全局故障。此情况下，故障必须直接分派到人才能通知
分派人员	否	故障处理人员，如果不选择，按照归属协作空间进行匹配和分派，否则直接按照个人偏好设置进行通知

修改于 5 个月前