எச்சரிக்கை வரம்புகளை எவ்வாறு தேர்ந்தெடுப்பது எச்சரிக்கை சோர்வு மற்றும் பொய்யான நேர்மறைக்களை தவிர்க்க?

Question

Accepted Answer

முக்கிய விதி: **அறிகுறிகளில் எச்சரிக்கை செய், காரணங்களில் அல்ல**, மற்றும் **பக்கத்தை செய் அது செயல்படக்கூடியதாகவும் அவசர முக்கியத்துவம் வாய்ந்ததாகவும் இருக்கும்போது மட்டுமே**. ஒவ்வொரு இரவும் அடிக்கடி வெளியாகும் சத்தமான எச்சரிக்கை மூடப்பட்டது அல்லது புறக்கணிக்கப்படும் — எனவே உண்மையான ঝுக்கி ஒரு கண்ணாடியாக இல்லை, இது ஒரு உணர்வுக்குட்பட்ட অন்-கால் ஆகும் அது உண்மையான ஒன்றின் மீது தூங்கி விடும்.

## அறிகுறிகள் காரணங்களுக்கு மேல்

**பயனர்-எதிர்கொள்ளும் SLO** (பிழை வீதம், தாமத, கிடைக்கும் தன்மை) அவ்வாறு எச்சரிக்கை செய், "CPU > 80%" போன்ற உள் காரணங்களில் அல்ல. உচ் च CPU பாரிசல் இருக்கலாம்; முக்கியமான பயனர்கள் பாதிக்கப்பட்டிருக்கிறார்களா என்பது.

```text
BAD  (cause)     CPU > 80% for 5m            → fires constantly, often no impact
GOOD (symptom)   error-rate SLO burn is fast → fires only when users hurt
```

## மல்டி-விண்டோ எரிப்பு-வீத எச்சரிக்கைகள்

ஒரு ஒক்கா நிலையான வரம்பு என்பது மிகவும் சிணுங்கலாக அல்லது மிகவும் மெதுவாக உள்ளது. பதிலாக, நீங்கள் எவ்வாறு வேகமாக **பிழை வரவு** பாழ்ப்பட்டிருக்கிறீர்கள் என்பதை எச்சரிக்கை செய், இரண்டு விண்டோ ব்যবহரித்து ஒரு வேகமான எரிப்பு உடனடியாக பக்கம் கொடுக்கும் மற்றும் ஒரு மெதுவான எரிப்பு பக்கம் கொடுக்கும் மட்டுமே என்றால் நீக்கப்பட்ட.

```yaml
# Page: 2% of monthly budget burned in 1h AND still burning over 5m
- alert: HighErrorBudgetBurn
  expr: |
    (slo:error_ratio_1h > 14.4 * 0.001)   # fast window: catch big outages
    and
    (slo:error_ratio_5m > 14.4 * 0.001)   # short window: confirm it's still happening
  for: 2m
  labels: { severity: page }
```

குறைய விண்டோ ஒரு சிக்கலுக்கு பக்கம் செய்வதை தடுக்கிறது இது ஈடேற்றப்பட்டிருக்கிறது; நீண்ட விண்டோ ஒரு குறுகிய பாய்ந்தடிப் பக்கம் செய்வதை தடுக்கிறது.

## பக்கம் vs டிக்கெட் vs டாஸ்பொர்ட்

```text
PAGE       actionable + urgent  → wake a human now (SLO at risk, checkout down)
TICKET     actionable, not urgent → fix in business hours (disk 70%, cert in 20 days)
DASHBOARD  informational         → no alert, just visible (per-endpoint traffic)
```

ஒரு எச்சரிக்கை செயல்படக்கூடியதாக இல்லை என்றால், அது பக்கம் செய்ய வேண்டாம் — அதை ஒரு டிக்கெட் அல்லது ஒரு டாஸ்பொர்ட் பேனல் ஆக திரும்பவும். பின்னர் **நேரத்தின் மீது சரிசெய்யவும்**: ஒவ்வொரு பக்கத்தை மूल्यांकन செய், மக்கள் செயல்கள் எதுவும் இல்லாத ஒருவகை நீக்குங்கள்.

## இது ஏன் முக்கியமானது

எச்சரிக்கை சோர்வு என்பது ஒரு நம்பகத்தன்மை ஆபத்து, வெறும் ஒரு எரிச்சல் அல்ல: மனிதர்கள் சத்தம் வாய்ந்த சேனல்களை মூலமாக வடிகட்ட பயன்படுத்துகிறார்கள், எனவே நீங்கள் அனுப்பும் பொய்யான நேர்மருக்கள் அதிகமாக இருப்பதால், உண்மையான செயல்தாழ்ப்பு தவறாக முடியும். அறிகுறிகளில் எச்சரிக்கை செய் எரிப்பு-வீத விண்டோ உடன், மற்றும் பக்கம் மீது செயல்படக்கூடிய அவசர முக்கியத்துவத்திற்கு সংரக্ஷணம் செய், ஒவ்வொரு பக்கம் அর்থবிராகவை வைத்திருக்கிறது — இது அன்-கால் பதிலளிக்கும் தன்மை பாதுகாக்கிறது.