4. 阈值设定原则：静态阈值 vs 动态阈值、基线建立、季节性调整

告警阈值的设定是监控体系中最关键的决策点之一。错误的阈值会导致大量误报（告警风暴）或漏报（故障发现滞后）。本章从三个核心维度展开：阈值类型选择、基线建立方法、季节性调整策略。

4.1 静态阈值 vs 动态阈值

阈值设定首先需要回答一个根本问题：用固定值还是自适应值？ 下表从多个维度对比两种方案的适用场景与优劣。

4.2 基线建立方法

动态阈值的核心是基线——代表系统在正常状态下的行为模式。基线的建立通常依赖以下三种方法：

1. 统计分位数法：采集历史数据，计算 P50/P90/P95/P99 作为基线边界。适用于长周期稳定的指标。
2. 移动平均法：使用滑动窗口（如 5 分钟、1 小时）计算均值或中位数，实时更新基线。适用于短期波动指标。
3. 机器学习预测法：使用 Prophet、ARIMA 等模型预测未来值，以预测区间作为阈值边界。适用于复杂周期性指标。

以下是一个基于移动平均的基线计算伪代码示例：

# 移动平均基线示例（Python 伪代码）
window_size = 60  # 60 个数据点，假设每分钟一个
data = collect_metric("api_latency_p99", last_60_minutes)

baseline_mean = mean(data)
baseline_std = std(data)

# 动态上界：均值 + 3 倍标准差
upper_bound = baseline_mean + 3 * baseline_std
# 动态下界：均值 - 3 倍标准差（取 max 避免负值）
lower_bound = max(0, baseline_mean - 3 * baseline_std)

if current_value > upper_bound or current_value < lower_bound:
    trigger_alert("API P99 延迟偏离基线")

4.3 季节性调整策略

大多数业务指标具有明显的季节性模式：日周期（白天高、夜间低）、周周期（工作日高、周末低）、月周期（月初/月末结算高峰）、年周期（促销季、节假日）。忽略季节性的动态阈值会在高峰时段产生大量误报，在低谷时段漏报。

季节性调整的核心思路：为每个时间窗口建立独立的基线。例如，将一天划分为 24 个时段，每个时段使用该时段的历史数据计算独立的阈值边界。

下图展示了静态阈值、无季节性动态阈值、有季节性动态阈值在一天内的表现差异：

从上图可以清晰看到：

• 静态阈值（红色）：全天固定 80，白天高峰时指标接近阈值但未超，夜间低谷时指标远低于阈值，无法发现异常抬升。
• 无季节性动态阈值（橙色）：全天使用同一个均值+3σ 边界，白天高峰时指标超出边界产生误报，夜间低谷时边界过高导致漏报。
• 有季节性动态阈值（绿色）：每个时段使用独立的基线边界，白天高峰时边界自动抬高，夜间低谷时边界自动降低，准确跟随指标变化。

4.4 阈值设定决策流程

在实际运维中，阈值设定应遵循以下决策流程：