文档中心

容器服务

请输入

告警管理

告警概述

容器服务提供多种类型的集群告警能力，帮助您从指标、日志和事件三个维度及时发现集群异常。本文介绍 VKE 中不同告警方式的适用场景、配置入口和生产环境中的配置建议。

告警类型

在云原生体系中，告警是保障集群稳定运行的重要手段。不同于传统以 CPU、内存资源使用量为主的告警，云原生场景下的告警来源更多样：从基础设施层的资源监控指标，到应用层的日志内容，再到 Kubernetes 原生的集群事件，覆盖面更广、感知粒度更细。VKE 支持多种告警配置方式，适应不同的监控需求和运维场景，如下表所示：

告警类型	数据来源	相关产品	适用场景
指标告警	集群资源（集群、节点、组件、容器、网络、存储等）监控指标。	托管 Prometheus	适用于指标判断资源使用率、性能趋势或业务状态的场景，通常用于发现持续性异常和容量风险。例如：节点 CPU、内存、磁盘等资源使用率持续过高。 Pod 重启次数异常增加、工作负载副本不可用。集群核心组件、网络组件或存储组件的可用性指标异常。
集群日志/事件告警	集群中多种类型资源的日志或事件，并支持基于日志关键字、事件内容或检索分析结果发现集群异常。包括：集群 Kubernetes 原生事件。容器日志和事件。集群审计日志。控制面组件日志。	日志服务	适用于异常信息直接体现在应用日志、容器运行日志或已持久化事件中的场景，通常用于快速定位具体错误原因。例如：应用日志中出现 Error、Exception、请求失败等关键错误。 Pod 调度失败、容器启动失败、镜像拉取失败等事件需要长期保存和检索。需要基于日志关键字、字段或事件内容触发告警，并在通知中携带错误上下文。
核心资源事件告警	集群核心资源异常事件信息，包括：集群、节点池、节点、组件等集群核心资源异常。	云监控	适用于关注集群核心资源（集群、节点池、节点、组件等）异常直接产生的事件，通常用于发现集群状态异常、节点扩缩容、组件异常等。

指标告警

指标告警基于托管 Prometheus（VMP）提供的监控指标进行配置，适合发现资源利用率异常、组件状态异常和服务性能波动等问题。VKE 已预置多种告警规则模板，覆盖控制面、节点、网络、工作负载和 AI 训练任务等典型场景，适合直接作为集群告警基线使用。

配置方式

VMP 中已预置了多种类型的 VKE 告警规则模板，您可以直接使用系统预置模板快速创建告警规则组，也可以基于业务实际需求自定义基于 PromQL 语句的告警规则，或在导出预置模板 YAML 后调整规则并沉淀为自定义告警模板，统一复用于多个集群。不同配置方式的定义和应用场景，如下表所示。

配置方式	应用场景	参考文档
使用预置模板配置	系统预置常见场景的告警规则模板，适合首次建设或快速补齐集群告警基线。说明 VKE 预置告警模板的详细介绍，请参见预置告警模板。	使用预置模板配置告警
使用自定义模板配置	需要统一修改默认阈值或持续时间。需要删除不适用于当前集群的规则。需要补充特定业务标签、路由策略、变量范围。需要将标准化告警方案复用于多个集群或多个环境。	使用自定义模板配置告警
自定义告警规则	监控特定命名空间、业务 Pod、关键接口或租户。结合业务 SLI/SLO 定义延迟、错误率、饱和度等指标。补充企业内部 SOP、值班分级和专属通知路由。	自定义告警规则

告警级别

VMP 告警模板中定义了不同的告警级别，建议结合业务场景将告警级别映射到企业内部的值班或升级制度。

告警级别	说明
P0	高优先级故障，通常表示组件不可用、严重错误或强烈建议立即处理。
P1	重要异常，通常表示性能明显下降、错误率上升或关键资源逼近上限。
P2	一般告警，通常用于风险提示、异常趋势发现或预警。

配置建议

生产环境通用集群：建议启用 VKE 控制面组件、VKE 工作负载、VKE 节点、VKE DNS 服务、VKE CNI 组件、VKE CSI 组件、VKE Ingress-Nginx 组件模板，覆盖集群的核心组件、节点和网络。

GPU / RDMA 训练集群：在通用模板基础上，额外启用 VKE AI 训练任务、VKE AIOps 服务模板，重点观测 GPU 利用率、RDMA 链路质量和训练任务异常。

告警治理通用建议：

按环境（开发 / 预发 / 生产）拆分通知路由。

对 P0 告警配置电话、短信或 IM 升级通知。

定期导出模板 YAML 做版本留档，并基于实际告警噪音优化阈值和持续时间。

集群日志/事件告警

指标告警能发现资源层的异常，但当应用报错、Pod 崩溃或集群调度出现问题时，异常往往先体现在日志或事件中，而不是监控曲线上。单靠指标告警，容易出现“指标正常、业务已故障”的漏报窗口期。

配置集群日志和事件告警后，系统可以在关键错误日志出现或重要事件触发时发送通知，帮助您把问题感知从“事后发现”提前到“实时感知”，缩短排障响应时间。相比纯指标告警，集群日志/事件告警的优势在于：告警信息本身已携带上下文（如具体错误信息、涉及的容器/节点），无需二次查询即可快速定位问题。更多详情，请参见集群日志/事件告警。

核心资源事件告警

集群在运行过程中会持续产生事件（Event），记录集群状态异常、节点池状态变更、组件状态异常等关键信息。这些事件是判断集群健康状态的重要信号，但集群核心资源事件默认只短期保留，不适合作为长期排障依据。将核心资源事件接入云监控后，您可以在关键事件发生时及时收到通知，并减少事后排查时事件已过期的问题。

将集群核心资源事件接入云监控并配置告警规则后，关键事件一旦触发即可实时通知，不再依赖人工定期巡检或事后查日志。相比日志告警，核心资源事件告警的优势在于：事件由 Kubernetes 控制面直接产生，能捕获应用日志无法反映的集群基础设施层问题，是指标告警和日志告警的有效补充。更多详情，请参见核心资源事件告警。

最近更新时间：2026.08.25 11:37:05

这个页面对您有帮助吗？

有用

无用