设备存活 ************* 主要是监控设备是否可到达。通过周期性的对设备做ping，通过ping是否收到返回来确认设备的状态。 采集侧 ================== 采集原理 ~~~~~~~~~ 采集器发送ping请求，如果在超时时间内，没有收到设备的ping Respone。则认为该次探测任务失败。 对本次采集的结果标记为失败，或者丢包100%。 采集任务参数配置要求 ~~~~~~~~~~~~~~~~~~~~ .. list-table:: :widths: auto :stub-columns: 1 :align: left * - **采集方式** - ping * - **采集周期** - 次/3s, 每次1个请求报文 * - **返回值** - 丢包率，0 或者 100% * - **采集超时时间** - 默认2000ms * - **任务筛选条件** - #. 业务线 #. 区域(地域) #. 机房 #. POD #. 业务属性（服务角色） #. 设备角色 #. IP地址类型（带内，带外） #. 设备IP、IP地址段 * - **特殊要求** - #. 使用同一机房的采集去采集该机房的设备存活状态，如果该机房没有采集器，使用一组指定的默认采集器去采集 #. 支持手动指定某一些IP地址（ip地址段）使用特定的采集器 任务筛选条件的互斥关系 ~~~~~~~~~~~~~~~~~~~~~~~~ a. IP地址类型是必选项；其他都需要支持多选；但在有父子关系情况下，如果父节点被多选，子节点不能继续被多选。 #. 机房--POD--设备IP，存在父子关系，当父节点未被选中或者是多选状态下，子节点不能继续选择；当且仅当机房、POD、同时处于单选状态下方可继续选择设备IP； #. 区域--机房，存在父子关系，当父节点未被选中或者是多选状态下，子节点不能继续选择； #. 设备IP地址仅仅可以在没有任何其他项勾选的情况下，才可以支持手工输入多个IP地址，或者多个地址段； 采集任务处理流程 ~~~~~~~~~~~~~~~~~ a. 从筛选条件中筛选出符合要求的设备； #. 将筛选出的设备，设置采集周期； #. 对上述设备执行下发任务至指定的采集节点（包括人工指定，和按同一个机房使用本机房的采集器两种方式，后一种为默认行为）； #. 对于不能通过自动下发任务至同机房采集器的任务，下发任务至默认的采集器去采集； #. 采集器执行ping任务，当请求报文发出去之后。如果超时时间内（默认 2000ms）没有收到返回，认为设备没有返回。将本次采集结果设置为丢包率100%。否则，则设置为0%。 采集值预处理 ~~~~~~~~~~~~~~~~ ping采集会出现两种情况，一是在超时时间内，收到target的response；二是在超时时间内没有收到target的response；两种情况做下述处理： a. 在超时时间内，收到target的response, 将该次采集值设置为0%(即丢包率为0），意味着探测成功； #. 超时时间内没有收到target的response, 将该次采集值设置为100%(即丢包率为100），意味着探测失败； 数据染色 ~~~~~~~~~~~~~~~~ 对每条采集数据，染色如下。 a. 时间戳（采集时间） #. 业务线 #. 区域(地域) #. 机房 #. POD #. 房间 #. 机柜 #. 业务属性（服务角色） #. 设备角色 #. 带内管理IP #. 带外管理IP #. 设备名 #. 厂商 #. 设备品牌 #. 设备型号 #. 设备流程状态 #. 探活丢包率 #. 探测IP地址类型（带内、带外） 数据分析和报警 ================== 策略配置 ~~~~~~~~~~~~~~~~~ .. warning:: 下述配置的一个前提条件是针对染色数据 ``设备流程状态`` 为 ``在线`` 的执行阈值匹配。如不是，则直接略过。 .. list-table:: :widths: auto :stub-columns: 1 :align: left * - **策略名** - #. 报警策略名字 * - **策略筛选条件** - #. 业务线 #. 区域(地域) #. 机房 #. POD #. 业务属性（服务角色） #. 设备角色 #. IP地址类型（带内，带外） #. 设备IP、IP地址段 * - **策略生效时间** - 支持到小时级别（0-23） * - **触发阈值** - | 连续N次（3S/次）丢包100%，N为正整数。 | 连续的计算方式举例：N=10，第1-10个点丢包率是100%为触发阈值； | 如果第1个点丢包0%第2-11丢包100%为触发阈值，第1-2个点丢包0%第3-12丢包100%为触发阈值。 * - **恢复阈值** - 连续N次（3S/次）丢包0%，N为正整数 * - **策略生效状态** - 默认为策略生效状态，开启时源数据进入告警分析模块进行计算和比对，禁用时源数据不进行告警分析 * - **策略告警等级** - 用于标识该策略的告警重要性程度，分5个等级：A1严重，A3主要，A5次要，A7一般，A9通知 * - **告警组和通知方式** - #. 告警组，将不同人员分成不同的组，按组的方式发送告警； #. 通知方式：邮件、咚咚、微信、短信、电话；针对每个组可多选或者不选； 策略筛选条件的互斥关系 ~~~~~~~~~~~~~~~~~~~~~~~~ a. IP地址类型是必选项；其他都需要支持多选；但在有父子关系情况下，如果父节点被多选，子节点不能继续被多选。 #. 机房--POD--设备IP，存在父子关系，当父节点未被选中或者是多选状态下，子节点不能继续选择；当且仅当机房、POD同时处于单选状态下方可继续选择设备IP； #. 区域--机房，存在父子关系，当父节点未被选中或者是多选状态下，子节点不能继续选择； #. 设备IP地址仅仅可以在没有任何其他项勾选的情况下，才可以支持手工输入多个IP地址，或者多个地址段； 报警信息格式 ~~~~~~~~~~~~~~~~~~~~ 报警信息分为两种，一种是触发阈值告警，一种是满足恢复阈值告警。我们把它称之为告警状态，分为 ``告警`` ``恢复`` 。因为告警通道的的不通，为了便于阅读。需要针对不同渠道的报警设置信息格式。 .. code:: shell 邮件： ----------------------- 标题：【告警通知时间/恢复通知时间】【告警状态（告警/恢复）】【告警等级】【告警策略名】【IP地址类型（带内，带外），角色，设备IP】 邮件内容： 故障开始时间, 故障持续时间，故障恢复时间（当且仅当告警状态为“恢复”时候才有该时间）， 业务线，区域，机房，POD，业务属性，设备角色, IP地址类型，设备IP，设备名称 短信，咚咚，电话，微信： ------------------------ 【告警通知时间/恢复通知时间】【告警状态（告警/恢复）】【告警状态（告警/恢复）】【告警等级】【告警策略名】 【机房，POD，IP地址类型（带内，带外），角色，设备IP，设备名称】【故障开始时间, 故障持续时间，故障恢复时间（当且仅当告警状态为“恢复”时候才有该时间）】 报警的默认收敛规则 ~~~~~~~~~~~~~~~~~~~~ 对重复的报警信息，实行收敛。 a. 即一条策略被触发后，发送报警通知。同时更新一些计数器。 #. 如果在未满足恢复阈值前提条件下，再次触发了阈值，则该次触发的报警被抑制，不对外发送报警信息。但会涉及一些计数器的更新。 #. 当满足恢复阈值时候，发送告警恢复信息。同时更新一些计数器。 #. 之后，如报警阈值被再次满足，则对外发送新的报警通知。 报警的聚合规则 ~~~~~~~~~~~~~~~~~~~~ 因所属场景下存在同机房大批量的设备报警的情况，所以需要对一个时间段内的报警做聚合，封装在一封告警通知里对外发送，对应的，告警信息的格式也有所改变。 同样，在报警恢复的时候，也会面临这大批量的报警恢复这样的情况。也做同样的处理。 遵循如下规则： a. 当一条告警触发时候（包括告警和恢复两种类型，但要分别对这两种类型做聚合），等待15s钟； #. 如果15s内收到的 ``相同的策略名`` 和报警设备字段里 ``机房`` 相同，则聚合到一条报警信息里；重新开始新一轮计时。 #. 如果 ``相同的策略名`` 和 ``机房`` 字段不相同，则聚合； #. 对于聚合组里只有1个条目的（也就是说15s内只有一条报警），则按单条的报警信息格式发送报警； #. 否则，则按聚合类型的报警信息格式发送报警， 格式见下方。 .. code:: shell 邮件格式： ----------------------- 标题：【聚合告警通知时间/聚合告警恢复时间】【告警状态（告警/恢复）】【告警等级】【告警策略名】【{xx机房}有N台设备不存活/恢复正常】 邮件内容： ---------依次将每台设备的信息列出， 如下----------- 故障开始时间, 故障持续时间，故障恢复时间（当且仅当告警状态为“恢复”时候才有该时间），业务线，区域，机房，POD，业务属性，设备角色, IP地址类型，设备IP，设备名称 短信，咚咚，电话，微信： ------------------------ 标题：【聚合告警通知时间/聚合告警恢复时间】【告警状态（告警/恢复）】【告警等级】【告警策略名】【{xx机房}有N台设备不存活/恢复正常】 关于报警时间的规则 ~~~~~~~~~~~~~~~~~~~~~~ 整个策略匹配过程及报警过程中，分别涉及多个时间，做如下说明。 1.故障开始时间：第一次触发阈值（满足告警阈值的第一个点的时间） 2.故障触发告警时间：满足告警频次达到告警条件 3.告警通知时间：告警平台对外发送告警通知的时间 4.聚合告警通知时间：故障触发告警时间满足告警聚合周期，多条告警聚合后的由告警平台发出的告警通知时间（仅仅在有聚合报警策略的情况下），有4没有3。 --以下仅针对有恢复的策略-- 5.故障持续时间：未恢复的告警，从故障开始时间计算到当前时间点的时间段，在告警实时看板中展示；恢复的告警，故障持续时长=故障恢复时间-故障开 始时间； 6.故障恢复时间：第一个满足恢复条件的时间，通常只有在触发了第7个“故障触发恢复条件时间”时才会被记录 7.故障触发恢复条件时间：满足恢复阈值和频次达到恢复条件 8.恢复通知时间：告警平台发送恢复通知的时间 9.聚合恢复通知时间：故障触发恢复时间满足恢复聚合周期，告警平台发出的恢复通知时间（仅仅在有聚合报警策略的情况下），有9没有8 和NOC工单系统的联动 ~~~~~~~~~~~~~~~~~~~~~~~ 对于产生的故障告警，需要推送给NOC工单进入工单管理。需要根据工单返回结果对该告警做一个标记，表示目前关于此告警的工单的处理情况。 处理规则： #. 对于产生的告警（而非进行聚合后的告警，即聚合前的单条告警。），需要推送给NOC工单平台，根据noc平台的返回信息对该条告警设置一个 ``工单状态标记`` 。 #. 当NOC工单对该单条告警改变了状态，需要同步的跟新报警系统中该条报警的 ``工单状态标记`` ； #. 当NOC工单标记为“已完成”，则触发告警恢复，忽略掉恢复阈值的检测，对外发送告警恢复信息；同时这条告警彻底清除，即便真实情况下告警并未恢复。 #. 如果告警恢复阈值检测到满足，则触发告警恢复信息，同时通知NOC工单平台修改该工单状态为"已完成", 关闭工单。 故障池（故障看板）的联动 ~~~~~~~~~~~~~~~~~~~~~~~~~ 但每条告警产生的时候，将该告警加入一个告警池。在告警池中对该条告警的状态进行跟踪。包括三个方面的状态跟踪。 故障持续时间，24小时内触发次数，NOC工单状态，故障恢复与否。 故障持续时间：当前时间-故障开始时间。 24小时内触发次数：最近一天满足触发阈值的次数-1。 NOC工单状态：NOC工单的状态信息。 故障恢复与否：但手工对NOC工单关闭或者自动触发恢复时候，从故障池子清除条目。不在故障池子里则认为恢复。 告警池字段要求如下： #. 故障开始时间 #. 故障持续时间 #. 设备IP #. 设备角色 #. 业务线 #. 机房 #. 历史告警数（24H） #. NOC工单状太 NOC工单状态说明 ~~~~~~~~~~~~~~~~~~ +---------------+----------+----------------------------------+ | NOC返回状态值 | 状态 | 说明 | +---------------+----------+----------------------------------+ | 1 | 新工单 | 告警事件生成工单的初始状态 | +---------------+----------+----------------------------------+ | 10 | 待处理 | NOC人员接单后触发这个状态 | +---------------+----------+----------------------------------+ | 20 | 处理中 | NOC人员进行处理操作 | +---------------+----------+----------------------------------+ | 21 | 已转派 | NOC人员处理不了转派给网络运维 | +---------------+----------+----------------------------------+ | 99 | 已取消 | NOC人员进行取消操作 | +---------------+----------+----------------------------------+ | 100 | 已完成 | NOC人员进行跟进确认后触发该状态 | +---------------+----------+----------------------------------+ | 101 | 自动恢复 | 这个是根据告警这边的恢复通知生成 | +---------------+----------+----------------------------------+ 可视化 ================== 针对单台设备，对一段时间内的设备探活丢包率做可视化。要求如下。 #. 以横坐标为时间轴，纵坐标为丢包率。刻画设备丢包率。每个采集时刻一个数据点。 #. 默认展示一个小时的丢包率信息； #. 在时间轴上标记处触发告警的的时间点； 未完成的部分 ================== #. 自助任务下发； #. 策略的分级，即按类似ACL的方式匹配策略；需求未提 #. 实现业务线的支持，或者所是多用户的支持； #. 报警的合并，即报警时候同时带出带内带外的状态，带内带外报警合并在一条。需求未提。