gendesign/ops/metrics/alertmanager/alertmanager.yml.tmpl

# Шаблон конфигурации Alertmanager. Боевой файл собирается на хосте при деплое
# (`envsubst` в deploy-metrics.yml) и в репозиторий не попадает — токен бота и
# идентификатор чата живут в окружении хоста, а не в git.
#
# ПОЧЕМУ TELEGRAM НАПРЯМУЮ, А НЕ ЧЕРЕЗ БЭКЕНД МЕРЫ. У МЕРЫ уже есть рабочий путь
# доставки (вебхук GlitchTip → бот), и соблазн переиспользовать его велик. Но тогда
# сообщение о том, что лёг Poincare, шло бы через сервис НА Poincare. Алерт обязан
# уметь уйти без участия хоста, про который он написан.
#
# Telegram с Beget работает — проверено серией замеров 25.08: TLS-рукопожатие
# 18 из 20, getMe 4 из 4. Ломается только длинный long-poll (30 с), а отправка
# сообщения — короткий запрос.
#
# ПОЧЕМУ ДВЕ ТЕМЫ, А НЕ ОДНА (#3163). Форум держит тему «алерты» (158,
# клиентские инциденты МЕРЫ) и тему «метрики» (245, инфраструктурный шум —
# диск, память, просевший экспортер). Инфраструктурный шум и клиентский
# инцидент не равны по срочности, а смешанные в одной теме они обучают
# пролистывать обе. Поэтому `telegram` и `telegram-heartbeat` ниже адресуют
# ИНФРАСТРУКТУРНУЮ тему (`METRICS_TELEGRAM_INFRA_TOPIC_LINE`). Получателя
# `telegram-clients` в этом списке нет: он не шлёт в Telegram напрямую, а
# вебхуком уходит в alert-ack, и тему адресует сам, своей переменной
# METRICS_TELEGRAM_TOPIC_ID.

global:
  resolve_timeout: 5m

route:
  receiver: telegram
  # Группируем по алерту и хосту: пятнадцать контейнеров одного хоста, упавших
  # разом, — это одно событие, а не пятнадцать сообщений.
  group_by: ["alertname", "host"]
  group_wait: 45s
  group_interval: 5m
  # Повтор раз в 6 часов. Чаще — приучает игнорировать, реже — можно проспать.
  repeat_interval: 6h

  routes:
    # Watchdog не должен смешиваться с настоящими алертами и не должен молчать:
    # это «сторож сторожа», он горит всегда и подтверждает, что канал доставки жив.
    - receiver: telegram-heartbeat
      matchers:
        - alertname = "Watchdog"
      group_wait: 0s
      group_interval: 12h
      repeat_interval: 12h

    # Клиентский инцидент. host="apps" — это продуктовая машина: если на ней
    # критично, значит МЕРА и Site Finder недоступны людям, а не «где-то в
    # инфраструктуре тесно». Такое зовём поимённо и напоминаем часто.
    #
    # Почему отдельный маршрут, а не общий critical: 27.08 продукты лежали
    # 10 часов, и разницы между «диск на 86 %» и «клиенты не могут открыть
    # сайт» в канале не было никакой. Разный текст и разная настойчивость —
    # это и есть разница.
    #
    # repeat_interval 30m против 3h у прочего критичного: пока инцидент не
    # погашен, напоминание должно быть неудобным. Заглушить его — осознанное
    # действие через Alertmanager, и оно же служит отметкой «принято».
    - receiver: telegram-clients
      matchers:
        - severity = "critical"
        - host = "apps"
      group_wait: 10s
      repeat_interval: 30m

    # Прочее критичное — инфраструктура, клиенты пока не затронуты.
    - receiver: telegram
      matchers:
        - severity = "critical"
      group_wait: 10s
      repeat_interval: 3h

inhibit_rules:
  # Если хост целиком недоступен, не сыпать отдельно про каждый его сервис.
  - source_matchers: [alertname = "HostAgentDown"]
    target_matchers: [severity =~ "warning|critical"]
    equal: ["host"]

receivers:
  - name: telegram
    telegram_configs:
      - bot_token: "${METRICS_TELEGRAM_BOT_TOKEN}"
        chat_id: ${METRICS_TELEGRAM_CHAT_ID}
${METRICS_TELEGRAM_INFRA_TOPIC_LINE}
        api_url: "https://api.telegram.org"
        parse_mode: HTML
        send_resolved: true
        message: |
          {{ if eq .Status "firing" }}🔴{{ else }}🟢{{ end }} <b>{{ .CommonLabels.alertname }}</b>{{ if .CommonLabels.host }} · {{ .CommonLabels.host }}{{ end }}
          {{ range .Alerts }}
          {{ .Annotations.summary }}
          {{ if .Annotations.description }}{{ .Annotations.description }}{{ end }}
          {{ end }}

  # Клиентский инцидент уходит В СЕРВИС, а не напрямую в Telegram.
  #
  # Alertmanager инлайн-клавиатуру не умеет, а без кнопки нет обратной связи
  # «человек увидел и взял в работу». Сервис alert-ack (тот же хост, рядом)
  # формирует сообщение с упоминанием дежурного и кнопкой подтверждения, а по
  # нажатию отвечает в ту же тему «принято, кто, во сколько».
  #
  # ЧТО ПРОИСХОДИТ, ЕСЛИ СЕРВИС ЛЁГ. Alertmanager считает доставку неудачной и
  # повторяет; плюс сам инцидент остаётся активным и переуведомляется каждые
  # 30 минут (repeat_interval маршрута выше). То есть алерт задерживается, но
  # не теряется. Это сознательный размен: дублировать то же сообщение вторым,
  # прямым каналом означало бы два уведомления на каждый инцидент, а шум в
  # канале тревог опаснее, чем задержка.
  - name: telegram-clients
    webhook_configs:
      - url: "http://alert-ack:8080/alertmanager"
        send_resolved: true

  - name: telegram-heartbeat
    telegram_configs:
      - bot_token: "${METRICS_TELEGRAM_BOT_TOKEN}"
        chat_id: ${METRICS_TELEGRAM_CHAT_ID}
${METRICS_TELEGRAM_INFRA_TOPIC_LINE}
        api_url: "https://api.telegram.org"
        parse_mode: HTML
        send_resolved: false
        message: |
          ⚪ <b>Мониторинг жив</b> — сторож отчитался, канал доставки работает.
          Если это сообщение перестало приходить дважды подряд, замолчал сам мониторинг.