4. 传统规则阈值局限：人工调参成本高、无法适应周期性变化、对突发流量不敏感

传统基于固定阈值的告警规则（如“CPU > 90% 持续 5 分钟”或“错误率 > 5%”）在运维早期简单有效，但随着业务规模和系统复杂度的增长，其固有缺陷逐渐暴露。这些局限不仅增加了运维人员的负担，还可能导致大量误报或漏报，使告警系统失去应有的预警价值。

4.1 三大核心局限

传统固定阈值规则在动态生产环境中主要面临以下三个难以调和的矛盾：

4.2 人工调参成本高：从“配置”到“维护”的恶性循环

在一个中等规模的微服务架构中（约 200 个服务、500 个实例），传统阈值配置的工作量是惊人的：

• 指标维度爆炸：每个实例至少需要监控 CPU、内存、磁盘、网络、请求延迟、错误率等 10+ 个核心指标，总计超过 5000 个监控项。
• 环境差异：开发、测试、预发、生产环境的硬件配置和负载特征不同，需要分别调参。
• 版本迭代：每次代码发布或架构调整，原有阈值可能失效，需要重新评估和调整。

4.3 无法适应周期性变化：固定阈值与业务潮汐的冲突

大多数业务系统具有明显的周期性特征，例如：

• 日周期：白天业务高峰，夜间低谷。
• 周周期：工作日与周末流量差异显著。
• 月/季度周期：财务结算、促销活动等带来的规律性波动。

固定阈值在面对这种周期性变化时，往往陷入“顾此失彼”的困境：

4.4 对突发流量不敏感：告警风暴与关键信号淹没

在秒杀、大促、热点事件等场景下，系统流量会在短时间内急剧攀升。传统固定阈值无法区分“业务预期的突发流量”和“系统故障导致的异常流量”，导致：

• 告警风暴：大量指标同时超过阈值，告警系统瞬间被淹没。
• 关键告警丢失：运维人员在海量告警中难以识别真正的故障根因。
• 误报率飙升：正常业务波动被判定为异常，降低运维团队对告警的信任度。

4.5 传统阈值局限的根源分析

从方法论角度看，传统固定阈值的根本问题在于：

1. 静态假设：假设系统行为在时间上是平稳的，忽略了业务、流量、资源使用的动态变化。
2. 单维度判断：仅基于单一指标的值进行判断，缺乏多指标关联分析能力。
3. 无学习能力：阈值一旦设定，不会根据历史数据自动优化，完全依赖人工经验。
4. 粒度粗糙：同一阈值应用于所有实例和时段，无法体现个体差异和时序特征。