4. 告警阈值基础概念：阈值定义、告警级别（信息、警告、严重）、静默期
告警阈值是成本分摊模型风险控制的第一道防线。一个设计不当的阈值会导致两种极端后果：告警风暴（噪音过多，运维人员麻木）或告警沉默（真实异常被淹没）。本节从三个核心维度拆解告警阈值的基础构成。
4.1 阈值定义：成本异常的数字边界
阈值（Threshold）是一个预设的数值边界，当监控指标跨越该边界时触发告警。在云原生成本分摊场景中，阈值通常基于以下三种模型定义：
| 阈值类型 | 定义方式 | 适用场景 | 示例 |
|---|---|---|---|
| 静态阈值 | 固定数值，不随时间变化 | 预算上限、资源配额硬限制 | 单集群月成本 > ¥50,000 |
| 动态阈值 | 基于历史数据自动计算基线 ± 波动范围 | 业务量波动大的微服务、季节性业务 | 成本偏离过去7天均值 > 30% |
| 复合阈值 | 多个指标组合判断（AND/OR逻辑） | 需要排除误报的高敏感场景 | 成本 > 阈值 AND 资源利用率 < 20% |
最佳实践：在成本分摊模型上线初期，优先使用动态阈值。静态阈值容易因业务增长或促销活动频繁误报，而动态阈值能自动适应成本基线的自然波动。
4.2 告警级别：信息、警告、严重
告警级别定义了异常的严重程度和响应时效。标准三级分类法在云原生 FinOps 中已形成行业共识：
- 信息（Info）：仅用于记录和审计，无需人工干预。例如：“某命名空间成本环比增长5%”。
- 警告（Warning）：需要关注但暂不紧急，通常要求在24小时内响应。例如：“某部门成本超出预算阈值80%”。
- 严重（Critical）：需要立即响应，通常要求在15分钟内介入。例如：“无主资源（未分摊成本）占比超过30%”。
下表展示了不同级别在成本分摊模型中的典型参数配置：
| 级别 | 触发条件 | 响应时间 | 通知渠道 | 升级策略 |
|---|---|---|---|---|
| 信息 | 偏离基线 10% ~ 20% | 无要求（仅记录） | 日志 / 仪表盘 | 不升级 |
| 警告 | 偏离基线 20% ~ 50% | ≤ 24 小时 | 邮件 / 即时消息 | 24h 未确认 → 升级为严重 |
| 严重 | 偏离基线 > 50% 或预算超支 | ≤ 15 分钟 | 电话 / 短信 / PagerDuty | 15min 未响应 → 通知上级 |
常见陷阱：不要将所有告警都设为“严重”。如果每个异常都触发最高级别告警，团队会陷入“狼来了”效应，最终导致真实严重事件被忽略。建议按照“信息:警告:严重 = 70:20:10”的比例配置告警规则。
4.3 静默期：防止告警风暴的节流阀
静默期（Silence Period / Throttling）是指同一告警规则在触发后，再次触发相同告警前必须等待的最小时间间隔。没有静默期，一个持续异常可能在几分钟内发送数百条重复通知。
静默期的三种常见配置模式：
- 固定静默期：每次告警触发后，锁定 N 分钟不再重复发送。例如：严重级别静默 5 分钟，警告级别静默 30 分钟。
- 指数退避静默期：首次触发后静默 5 分钟，第二次 10 分钟，第三次 20 分钟……直到最大上限。适用于持续恶化的故障场景。
- 条件静默期：仅在特定时间段（如夜间、周末）或特定条件下（如已存在活跃告警）启用静默。
| 告警级别 | 推荐静默期 | 说明 |
|---|---|---|
| 信息 | 60 分钟 | 低频汇总，避免干扰 |
| 警告 | 30 分钟 | 给运维人员足够时间排查，同时避免刷屏 |
| 严重 | 5 ~ 15 分钟 | 需要快速确认，但也要防止高频重复 |
成本分摊场景特别提示：成本指标天然具有滞后性（通常延迟 1~4 小时）。如果静默期设置过短（例如 5 分钟），而成本数据更新周期是 1 小时，那么每次数据刷新都会触发重复告警。建议将成本类告警的静默期设置为 ≥ 数据采集周期的 2 倍。
4.4 阈值复核与风险控制的关系
阈值定义、告警级别和静默期三者共同构成了告警策略的铁三角。在成本分摊模型中，任何一角的缺失都会导致风险控制失效：
- 阈值定义错误 → 漏报真实成本异常，或误报正常波动。
- 告警级别混乱 → 严重事件被降级处理，信息事件过度升级。
- 静默期缺失 → 告警风暴导致运维团队疲劳，最终忽略所有告警。
复核建议：每季度至少执行一次阈值复核。重点关注：① 动态阈值的基线是否随业务增长偏移；② 告警级别的触发比例是否偏离 70:20:10；③ 静默期是否与成本数据采集周期匹配。