1. Runbook 与自愈剧本概述
在构建可观测性与自动化运维体系时，Runbook 与 自愈剧本 是衔接“发现故障”与“消除故障”的核心纽带。Exporter 作为数据采集的末梢神经，其参数配置直接决定了自愈剧本能否准确触发与执行。本节从概念层到角色层，建立三者之间的逻辑关系。
1.1 Runbook 定义
Runbook（运维手册）是一套标准化、可重复执行的操作流程文档，用于指导运维人员处理特定系统事件、故障或变更。在 SRE 实践中，Runbook 从静态文档演进为可编程的自动化流程，成为自愈剧本的“操作蓝图”。
| 维度 | 传统 Runbook | 现代可编程 Runbook |
|---|---|---|
| 载体 | Wiki / PDF / 共享文档 | 代码仓库 + 剧本引擎（如 StackStorm、Rundeck） |
| 执行方式 | 人工阅读 + 手动操作 | 自动触发 + 半自动审批 |
| 版本管理 | 无或弱 | Git 版本化 + CI/CD 审核 |
| 与监控联动 | 告警邮件附链接 | Webhook 直接触发剧本 |
| 可测试性 | 低（依赖人工验证） | 高（单元测试 + 沙箱执行） |
SRE 最佳实践： 将 Runbook 视为“代码”而非“文档”。每个 Runbook 应包含：触发条件、前置检查、操作步骤、回滚方案、验证指标。只有可编程的 Runbook 才能与自愈剧本深度集成。
1.2 自愈剧本概念
自愈剧本（Self-Healing Playbook）是 Runbook 的自动化执行实例。它通过预定义的决策树和动作序列，在检测到异常指标后自动执行修复操作，无需人工介入。自愈剧本的核心要素包括：
- 触发条件：基于 Exporter 采集的指标阈值或模式匹配。
- 诊断阶段：执行额外检查以确认故障根因（如连接测试、日志分析）。
- 修复动作：重启服务、扩容实例、切换流量、回滚版本等。
- 验证闭环：修复后再次采集指标，确认状态恢复。
- 降级与告警：若自愈失败，则升级为人工工单并通知 On-Call 工程师。
关键区别： Runbook 是“剧本的剧本”，定义怎么做；自愈剧本是“自动执行的演员”，决定何时做、做什么。Exporter 数据是两者之间的“信号线”。
1.3 Exporter 在自愈体系中的角色
Exporter 是 Prometheus 生态中的指标暴露器，负责从目标系统（主机、中间件、应用）采集原始数据并转换为 Prometheus 可抓取的格式。在自愈体系中，Exporter 承担三个关键角色：
- 感知层：提供实时健康指标（CPU、内存、延迟、错误率），是自愈剧本的“眼睛”。
- 验证层：在修复动作执行后，Exporter 再次暴露指标，用于验证自愈是否成功。
- 反馈层：自愈剧本的执行结果（成功/失败/超时）可回写为 Exporter 的自定义指标，形成闭环监控。
1.4 自愈剧本的典型触发流程
一个完整的自愈闭环从 Exporter 数据采集开始，到验证结束，通常包含以下步骤：
| 步骤 | 动作 | 参与组件 | 关键参数 |
|---|---|---|---|
| 1 | Exporter 暴露指标 | node_exporter / custom_exporter | 采集端口、路径、间隔 |
| 2 | Prometheus 抓取并告警 | Prometheus Server + Alertmanager | 告警规则、持续时间 |
| 3 | Webhook 触发自愈剧本 | Alertmanager → 剧本引擎 | Webhook URL、Payload 格式 |
| 4 | 剧本执行诊断检查 | 自愈引擎 + Exporter 二次查询 | 诊断命令、超时时间 |
| 5 | 执行修复动作 | Ansible / K8s API / Shell | 修复脚本、重试次数 |
| 6 | 验证修复结果 | Exporter 指标回查 | 验证阈值、等待周期 |
| 7 | 结果回写与闭环 | Exporter 自定义指标 / 事件日志 | 指标名称、标签集 |
常见陷阱： Exporter 采集参数配置不当（如超时过短、采样间隔与告警频率不匹配）会导致自愈剧本误触发或漏触发。例如，node_exporter 的
--timeout 若小于 Prometheus 抓取间隔，将产生大量空指标，引发虚假告警。
1.5 Exporter 参数配置对自愈剧本的影响
Exporter 的启动参数、采集路径、标签设计直接决定了自愈剧本的数据质量与执行效率。以下为关键参数及其影响：
--web.listen-address：Exporter 监听地址，影响 Prometheus 抓取可达性。若绑定 127.0.0.1，则只能本地抓取，不适合分布式自愈场景。--web.telemetry-path：指标暴露路径，默认/metrics。若自定义路径，需同步修改 Prometheus 抓取配置。--collector.*：启用/禁用特定采集器。不必要的采集器会增加资源开销，影响自愈剧本的响应速度。--timeout：采集超时时间。若设置过短，高负载时 Exporter 可能返回空数据，导致自愈剧本误判。--log.level：日志级别。调试阶段建议设为debug，生产环境设为info或warn，避免日志淹没关键自愈事件。
1.6 本章小结
Runbook 提供操作规范，自愈剧本实现自动化执行，Exporter 则作为数据采集的基石，三者形成“规范 → 执行 → 数据”的闭环。在后续章节中，我们将深入 Exporter 的每个参数细节，讲解如何通过精准配置来提升自愈剧本的触发准确率与执行成功率。
核心记忆点： 没有正确的 Exporter 参数配置，自愈剧本就像“蒙着眼睛做手术”——再好的剧本也无法准确执行。参数配置是自愈体系的第一道质量门。