CloudWatch 智能告警

要解决的具体问题

在 AWS 日常运维中，云资源监控往往依赖固定阈值告警。这类告警对突发峰值或许有效，但面对缓慢增长的异常（如内存泄漏导致利用率逐日攀升）却表现乏力：静态阈值难以区分“正常增长”与“潜在故障”，要么设置过松导致告警滞后，要么设置过严引发大量误报。此外，单一指标告警难以捕捉多维度关联异常，运维人员需要在多个控制台间切换排查，响应效率受限。

技能如何工作

该技能基于 boto3 实现核心能力，主要分为以下步骤：

• 定义异常检测范围：为指标配置 ML 驱动的异常检测带，例如 EC2 实例的 MemoryUtilization 指标，其取值天然在 0 到 100 之间，技能会基于历史数据训练模型，动态识别偏离正常区间的波动
• 创建复合告警：将多个指标或告警规则组合，通过逻辑关系判断是否触发告警，避免单一指标的误报干扰
• 联动通知与自动化：告警触发后，通过 SNS 发送通知至运维团队；同时借助 EventBridge 触发预设的自动化修复流程，例如自动重启实例或扩容服务

适用边界与注意点

• ML 异常检测模型针对特定指标和统计值，不同指标需要单独配置检测带，无法直接复用
• 仅适用于返回浮点数值的指标（如 CPU 使用率、请求延迟），非数值型指标无法使用该功能
• 自动化修复流程需提前配置 EventBridge 规则，技能本身不提供修复逻辑，仅负责触发