4. 条件与运算符：大于(>)、小于(<)、等于(==)、不等于(!=)、大于等于(>=)、小于等于(<=)、基于百分比的比较

报警规则的核心是“条件判断”。监控系统通过运算符将采集到的指标值与预设的阈值进行比较，从而决定是否触发报警。本章将系统讲解所有基础比较运算符及基于百分比的动态比较方法，这是配置精准报警规则的基石。

4.1 基础比较运算符速查表

所有监控平台（Prometheus、Zabbix、Grafana Alerting、Datadog 等）均支持以下六种基础关系运算符。它们的语义与数学符号完全一致，但在不同系统中可能使用不同的语法表示。

4.2 运算符在报警规则中的逻辑组合

单个运算符只能表达简单条件。实际工程中，往往需要将多个条件通过逻辑运算符（AND、OR、NOT）组合，形成复合报警规则。下图展示了条件组合的典型决策流程。

4.3 基于百分比的比较：动态阈值核心

固定阈值无法适应业务流量波动。基于百分比的比较允许将阈值定义为“当前值相对于基线或历史均值的百分比变化”，这是智能运维的入门技术。

4.3.1 百分比比较的三种典型场景

• 同比变化：当前值相比上周同一天同一时刻的变化百分比。例如：当前请求量 > 上周同期值 * 1.5（增长超过50%）。
• 环比变化：当前值相比前一个时间窗口（如5分钟前）的变化百分比。例如：错误率 > 前5分钟均值 * 2（翻倍）。
• 基线偏离：当前值相比机器学习预测基线的偏离程度。例如：当前延迟 > 预测基线 * 1.2（偏离基线20%）。

4.3.2 PromQL 中的百分比比较实现

在 Prometheus 生态中，百分比比较通常通过 offset 关键字和算术运算实现。以下为两个经典规则示例：

# 规则1：请求量突增超过50%（同比上周同一时刻）
- alert: RequestSurge
  expr: |
    sum(rate(http_requests_total[5m]))
    >
    (sum(rate(http_requests_total[5m] offset 1w)) * 1.5)
  for: 5m
  labels:
    severity: warning
  annotations:
    summary: "请求量同比上周增长超过50%"

# 规则2：错误率环比翻倍（相比前10分钟）
- alert: ErrorRateDouble
  expr: |
    (sum(rate(http_errors_total[5m])) / sum(rate(http_requests_total[5m])))
    >
    ((sum(rate(http_errors_total[5m] offset 10m)) / sum(rate(http_requests_total[5m] offset 10m))) * 2)
  for: 3m
  labels:
    severity: critical
  annotations:
    summary: "错误率环比前10分钟翻倍"

4.4 运算符优先级与括号使用

当规则中包含多个运算符时，必须明确优先级。下表列出了常见监控查询语言（PromQL、LogQL、CloudWatch Metrics Insights）的运算符优先级（从高到低）：

4.5 运算符在报警规则中的完整配置示例

以下是一个完整的 YAML 报警规则片段，综合使用了多种运算符和百分比比较：

groups:
  - name: production_critical
    rules:
      # 固定阈值：CPU 大于 95% 触发
      - alert: HighCPUUsage
        expr: node_cpu_seconds_total{mode="idle"} / ignoring(mode)
              group_left count(node_cpu_seconds_total) by (instance) < 0.05
        for: 2m
        labels:
          severity: critical
        annotations:
          summary: "实例 {{ $labels.instance }} CPU 空闲率低于5%"

      # 百分比比较：内存使用率环比增长超过30%
      - alert: MemorySurge
        expr: |
          (node_memory_MemTotal_bytes - node_memory_MemAvailable_bytes)
          / node_memory_MemTotal_bytes
          >
          ((node_memory_MemTotal_bytes offset 30m - node_memory_MemAvailable_bytes offset 30m)
          / node_memory_MemTotal_bytes offset 30m) * 1.3
        for: 5m
        labels:
          severity: warning
        annotations:
          summary: "实例 {{ $labels.instance }} 内存使用率30分钟内增长超过30%"

      # 不等于运算符：探针检测服务下线
      - alert: InstanceDown
        expr: up{job="api-server"} != 1
        for: 1m
        labels:
          severity: critical
        annotations:
          summary: "API Server 实例 {{ $labels.instance }} 已下线"

4.6 运算符选择决策树

面对一个监控指标，如何快速选择合适的运算符？以下决策树可以帮助初学者建立直觉：

4.7 常见运算符误用案例

• 误用等于判断浮点指标：使用 disk_used_percent == 95.0 精确匹配，但实际值可能是 95.0001 或 94.9999，导致规则永不触发。应改为 disk_used_percent >= 95。
• 忽略不等于运算符的语义：在 PromQL 中，up != 1 不仅会匹配 up == 0，还会匹配 up 标签不存在的场景。如果只想检测探针值为 0，应使用 up == 0。
• 百分比比较中除零错误：当基线值为 0 时，当前值 / 基线值 结果为无穷大或 NaN。必须在规则中增加 基线值 > 0 的前置条件。
• 优先级误解导致逻辑错误：表达式 cpu > 90 and mem > 85 or disk > 95 实际被解析为 (cpu > 90 and mem > 85) or (disk > 95)，而非预期的 cpu > 90 and (mem > 85 or disk > 95)。务必使用括号明确意图。