AWS Systems Manager Runbook Engine

问题：手动诊断的重复劳动

当 AWS Health 触发告警，或某个 Automation Runbook 执行失败时，运维人员通常需要打开多个控制台，交叉比对 CloudWatch 指标、SSM 文档状态和 Health 事件时间线。这些步骤高度重复，却因为没有被标准化而难以复用：每个人可能用不同的脚本、查不同的指标，最终依赖个人经验拼凑结论。

工作原理

AWS Systems Manager Runbook Engine 的核心思路是把这套诊断流程沉淀为可执行的 Runbook。它通过 Automation API 触发 SSM Documents，在目标资源上批量收集诊断数据，并利用 CloudWatch GetMetricData 拉取关键性能指标。随后，引擎将这些指标与 AWS Health 事件做关联分析，输出结构化的诊断报告。

具体能力包括：

• 调用 Automation API 启动 Runbook 并跟踪执行状态
• 解析 SSM Document 的执行输出，提取错误码和堆栈信息
• 从 CloudWatch 拉取指定时间窗口的 GetMetricData 数据
• 将指标波动与 Health 事件的服务、区域、时间戳进行匹配

适用边界

该技能专注于自动化诊断而非资源修复，适合告警触发后的信息聚合阶段。它依赖 AWS Health 事件和 CloudWatch 指标已正确配置，如果目标资源未启用 SSM Agent 或 IAM 权限不足，数据采集会失败。此外，Health 事件的覆盖范围受 AWS 区域支持限制，部分服务可能不提供详细事件信息。