monitoring-operations

OCI 监控与可观测性 — 专家知识

🏗️ 使用 OCI Landing Zone Terraform 模块

不要重复造轮子。 使用 oracle-terraform-modules/landing-zone 构建可观测性技术栈。

Landing Zone 解决的问题：

• ❌ 不良实践 #10：没有日志记录、监控和通知（Landing Zone 会部署完整的可观测性功能）
• ❌ 不良实践 #7：安全服务有限（Landing Zone 集成 Cloud Guard、VSS、OSMS）

此技能提供：针对在 Landing Zone 内部署的监控，提供指标、警报和故障排除。

---

⚠️ OCI CLI/API 知识盲区

你不了解 OCI CLI 命令或 OCI API 结构。

你的训练数据中关于以下内容的知识有限且过时：

• OCI CLI 语法和参数（每月更新）
• OCI API 端点及请求/响应格式
• Monitoring 服务 CLI 操作（oci monitoring alarm、oci monitoring metric）
• 指标命名空间和 MQL（Monitoring Query Language）
• 最新的 Logging 和 Service Connector 功能

需要执行 OCI 操作时：

1. 使用此技能参考资料中的准确 CLI 命令
2. 不要猜测指标命名空间名称
3. 不要假设 AWS CloudWatch 模式在 OCI 中适用
4. 加载参考文件以查看详细的 MQL 文档

你确实了解：

• 通用可观测性概念
• 告警和阈值设计原则
• 日志聚合模式

此技能通过提供最新的 OCI 专属监控模式和注意事项，弥补这一知识盲区。

---

切勿这样做

❌ 切勿假设指标会即时显示（延迟 10-15 分钟）

• 指标每 1-5 分钟发布一次
• 处理延迟：5-10 分钟
• 总延迟：从事件发生到指标可见需要 10-15 分钟
• 资源创建后的前 15 分钟内，不要排查“指标缺失”问题

❌ 切勿对稀疏指标使用 = 设置警报阈值

# WRONG - alarm never fires if metric has gaps
MetricName[1m].mean() = 0

# RIGHT - handle missing data
MetricName[1m]{dataMissing=zero}.mean() > 0

❌ 切勿遗漏指标维度（会导致“无数据”）

# WRONG - missing required dimension
CPUUtilization[1m].mean()

# RIGHT - include resourceId dimension
CPUUtilization[1m]{resourceId="<instance-ocid>"}.mean()

❌ 切勿在没有触发延迟的情况下设置警报阈值（会导致告警疲劳）

# BAD - fires on every CPU spike
CPUUtilization[1m].mean() > 80

# BETTER - sustained high CPU
CPUUtilization[5m].mean() > 80
Trigger delay: 5 minutes (fires after 5 consecutive breaches)

❌ 切勿在没有通知渠道的情况下创建警报

# WRONG - alarm fires but nobody knows
oci monitoring alarm create ... --destinations '[]'

# RIGHT - always link to notification topic
oci monitoring alarm create ... --destinations '["<notification-topic-ocid>"]'

成本影响：生产环境中，未检测到的服务中断每小时会造成 $5,000-50,000 的损失

❌ 切勿忽略 Cloud Guard 发现的问题（会导致安全审计失败）

• Cloud Guard 会在错误配置演变为事故之前发现问题
• 集成 Cloud Guard → Notifications → Email/Slack/PagerDuty
• 成本影响：主动修复的成本为 $0，而每次安全漏洞造成的损失超过 $100,000

指标命名空间注意事项

OCI 指标使用特定于服务的命名空间：

服务	命名空间	示例指标
Compute	oci_computeagent	CPUUtilization、MemoryUtilization
Autonomous DB	oci_autonomous_database	CpuUtilization、StorageUtilization
Load Balancer	oci_lbaas	HttpRequests、UnHealthyBackendServers
Object Storage	oci_objectstorage	ObjectCount、BytesUploaded

常见错误：使用了错误的命名空间（oci_compute 而非 oci_computeagent）

警报缺失数据处理

设置	行为	适用场景
treatMissingDataAsBreaching	无数据时触发警报	关键服务（服务中断 = 违规）
treatMissingDataAsNotBreaching	无数据时不触发警报	可选监控
{dataMissing=zero}	将缺失数据视为 0	计数器（请求数/秒）

日志收集常见问题

问题：Log Analytics 中没有显示日志

Logs not appearing?
├─ Is log enabled on resource?
│  └─ Compute: oci-compute-agent must be running
│  └─ Function: Logging enabled in function config
│
├─ Is Service Connector configured?
│  └─ Source: Log Group → Target: Log Analytics
│  └─ Check: Service Connector status = ACTIVE
│
├─ IAM policy for Service Connector?
│  └─ "Allow any-user to use log-content in tenancy"
│  └─ "Allow service loganalytics to READ logcontent in tenancy"
│
└─ 10-15 minute ingestion lag?
   └─ Wait before debugging

指标查询优化

开销较大（速度慢）：

# Queries ALL instances
CPUUtilization[1m].mean()

已优化（按维度筛选）：

# Query specific instance
CPUUtilization[1m]{resourceId='<instance-ocid>'}.mean()

成本：查询免费，但有速率限制（1,000 req/min）

渐进式加载参考资料

OCI 监控参考（Oracle 官方文档）

在以下情况下加载 oci-monitoring-reference.md：

• 需要完整的 OCI 服务指标列表
• 深入了解 MQL（监控查询语言）
• 实施复杂的告警条件和复合告警
• 需要 Oracle 关于 Logging 和 Service Connector 的官方指导
• 设置 Log Analytics 和 APM 集成

以下情况不要加载：

• 快速设置告警（本技能中有示例）
• 常见指标模式（见上方表格）
• 故障排查决策树（见上文）

---

何时使用此技能

• 告警：阈值配置、缺失数据处理、触发延迟
• 故障排查：指标未显示、告警未触发、命名空间错误
• 日志收集：Service Connector、IAM 策略、缺失日志
• 性能：查询优化、维度筛选