📚 课程目录第2章 Grafana OnCall 架构简介

2. Grafana OnCall 架构简介：核心组件、数据流与告警生命周期

在落地告警降噪规则之前，必须理解 Grafana OnCall 的架构骨架。OnCall 并非一个孤立的告警接收器，而是一套围绕 路由、编排、通知 构建的事件驱动系统。本章将拆解其三大核心组件（Integration、Escalation Chain、Schedule），并串联完整的告警生命周期。

2.1 三大核心组件

Grafana OnCall 的架构可以抽象为三个层次：接入层（Integration）、编排层（Escalation Chain）、通知层（Schedule + 用户）。三者通过 Alert Group 对象串联。

组件	职责	类比	关键属性
Integration	接收外部监控系统（Prometheus、Grafana、Zabbix 等）的告警 Webhook，并将其标准化为 OnCall 内部的 Alert 对象。	“翻译官” + “路由器”	类型（Grafana、Prometheus、Webhook）、路由规则、模板（Templates）
Escalation Chain	定义告警从产生到关闭的处理步骤序列，包括通知谁、等待多久、是否升级、是否自动执行动作。	“剧本” 或 “流程引擎”	步骤类型（Notify、Wait、Resolve、Trigger Action）、超时、升级策略
Schedule	管理值班人员的时间轮换，决定在特定时间点哪个用户或团队是“当前责任人”。	“值班表”	轮换类型（单日、多日、自定义）、覆盖（Override）、层级（Layer）

架构要点： Integration 负责“入”，Escalation Chain 负责“流”，Schedule 负责“人”。降噪规则主要作用于 Integration 和 Escalation Chain 之间，控制哪些 Alert 能进入编排流程。

2.2 告警生命周期与数据流

一个告警从外部系统触发到最终关闭，在 OnCall 内部经历以下阶段。理解这个生命周期是配置降噪规则的前提。

Ingestion（接收）：外部系统通过 Webhook 发送告警到 Integration 的端点。
Normalization（标准化）：Integration 根据模板将原始 Payload 解析为 OnCall 的 Alert 对象，包含标题、描述、严重级别、标签等。
Grouping（分组）：根据 分组规则（基于标签或内容指纹）将相似的 Alert 合并为 Alert Group。这是降噪的第一道关卡。
Routing（路由）：Alert Group 根据 Integration 的 路由规则 被分配到指定的 Escalation Chain。
Escalation（编排）：Escalation Chain 按步骤执行：查找当前 Schedule 确定责任人 → 发送通知（电话、短信、Slack、邮件）→ 等待确认 → 超时后升级到下一级。
Resolution（关闭）：责任人确认（Acknowledge）或外部系统发送恢复告警后，Alert Group 被关闭。

2.3 核心组件交互关系

Integration、Escalation Chain、Schedule 三者并非孤立运行，而是通过以下方式协同工作：

Integration → Escalation Chain：每个 Integration 必须绑定一个默认的 Escalation Chain。路由规则可以覆盖此默认绑定，实现“不同标签走不同流程”。
Escalation Chain → Schedule：Escalation Chain 中的 Notify 步骤会引用一个 Schedule，从而确定当前应该通知谁。如果没有 Schedule，则通知固定用户或团队。
Schedule → User：Schedule 的轮换层最终指向具体的 OnCall 用户（User），用户配置了个人通知方式（电话、短信、Slack 等）。

2.4 告警降噪在架构中的位置

从架构视角看，告警降噪并非一个独立模块，而是贯穿 分组（Grouping） 和 路由（Routing） 两个阶段的策略组合：

降噪策略	作用阶段	实现方式	典型场景
分组降噪	Grouping	基于标签模板（如 `alertname`、`instance`）自动合并相同指纹的告警。	Prometheus 中同一台机器的 CPU 持续抖动，只产生一个 Alert Group。
路由降噪	Routing	根据告警标签（如 `severity=info`）将低优先级告警路由到“仅记录”的 Escalation Chain，不触发通知。	开发环境的磁盘告警只写入日志，不呼叫值班人。
抑制降噪	Escalation	在 Escalation Chain 中配置 `Wait` 步骤，等待一段时间后检查是否已恢复，避免短时抖动触发通知。	网络闪断 30 秒内恢复，不产生告警通知。

  工程落地提示： 在部署 OnCall 初期，建议先配置 分组降噪 和 路由降噪，它们对告警量的削减效果最明显（通常可减少 60%-80% 的 Alert Group 数量）。抑制降噪需要结合业务抖动窗口谨慎配置，避免漏过真实故障。