3. 阈值优化痛点：静态阈值的局限性、误报与漏报的权衡、人工调参的困难
在运维监控体系中，告警阈值是决定“是否触发告警”的核心判据。然而，绝大多数生产环境仍依赖静态阈值——即由人工设定的固定数值或百分比。这种看似简单的策略，在实际动态系统中暴露出三大核心痛点：静态阈值的局限性、误报与漏报的权衡困境，以及人工调参的不可持续。理解这些痛点，是引入模型可解释性进行阈值优化的前提。
3.1 静态阈值的局限性
静态阈值假设系统行为在时间维度上保持平稳，但真实业务流量、资源消耗、网络延迟等指标往往呈现周期性、突发性、趋势性变化。固定阈值无法适应这种动态性，导致以下典型问题：
- 高峰误报：业务高峰期（如“双十一”秒杀）CPU 使用率自然升高至 85%，静态阈值 80% 触发大量无效告警。
- 低谷漏报：凌晨低峰期，内存泄漏导致内存占用从 30% 缓慢爬升至 65%，静态阈值 80% 无法捕捉早期异常。
- 季节性失效：不同季节、不同促销活动带来的流量基线差异，使同一阈值在不同时段表现迥异。
关键洞察：静态阈值本质上是“一刀切”策略，它忽略了指标的时间上下文和业务上下文，导致告警系统在非平稳环境中失去可靠性。
3.2 误报与漏报的权衡
告警阈值本质上是一个二分类决策边界：将指标状态划分为“正常”与“异常”。任何阈值设定都不可避免地在误报率（FPR）和漏报率（FNR）之间进行权衡。这种权衡关系可以通过以下表格清晰呈现：
| 阈值策略 | 误报率（FPR） | 漏报率（FNR） | 典型后果 |
|---|---|---|---|
| 阈值偏低（敏感） | 高 | 低 | 告警风暴，运维人员疲劳，重要告警被淹没 |
| 阈值偏高（保守） | 低 | 高 | 关键故障漏报，SLA 受损，业务中断发现延迟 |
| 静态折中 | 中等 | 中等 | 无法适应动态变化，整体告警质量不稳定 |
实践陷阱：许多团队试图通过“降低阈值”来减少漏报，结果导致误报激增，最终运维人员被迫关闭告警或设置静默规则，反而造成更大的漏报风险。这种“阈值摇摆”现象是静态策略下权衡失控的典型表现。
误报与漏报的权衡并非线性关系。在真实系统中，代价不对称使得问题更加复杂：一次漏报可能导致数小时的业务中断，而一次误报可能只浪费工程师 10 分钟。因此，阈值优化需要引入代价敏感学习视角，而非单纯追求准确率。
3.3 人工调参的困难
当系统包含数十个微服务、数百个指标、数千个告警规则时，人工调参面临以下不可逾越的障碍：
- 维度爆炸：每个指标在不同时段、不同业务场景下需要不同的阈值，人工无法同时管理数千个参数组合。
- 反馈延迟：调整阈值后，需要等待数小时甚至数天才能评估效果，调参周期过长。
- 经验依赖：阈值设定高度依赖个人经验，人员变动导致规则质量波动，缺乏可复现的优化流程。
- 缺乏可解释性：即使调参后告警数量下降，也难以解释“为什么这个阈值是合理的”，无法建立信任。
3.4 痛点总结：为什么需要可解释性？
上述三大痛点共同指向一个核心矛盾：静态规则无法表达动态系统的复杂性。模型可解释性在阈值优化中的价值，正是通过以下方式破解这一矛盾：
| 痛点 | 可解释性解决方案 | 预期收益 |
|---|---|---|
| 静态阈值局限性 | 利用 SHAP/LIME 解释模型对“异常”的判断依据，动态调整阈值边界 | 阈值自适应跟随业务周期 |
| 误报与漏报权衡 | 通过特征重要性分析，识别导致误报/漏报的关键特征，针对性优化 | 在关键指标上实现代价敏感平衡 |
| 人工调参困难 | 将调参过程转化为可解释的决策树或规则集，实现自动化且可审计 | 减少人工干预，提升调参效率 |