玩转Zabbix智能告警：降噪、排班、认领、升级、IM协同
集成Zabbix告警到Flashduty，获得告警降噪、智能排班、IM协同等能力
Flashcat 博客
围绕可观测性、AI SRE、告警治理、On-call、Nightingale、Categraf、Prometheus、Kubernetes、Zabbix、用户案例和产品更新，沉淀一线工程实践、选型参考和稳定性治理方法。
精选内容
最新文章
最佳实践：可观测性三支柱？远不止此！
日志，指标和分布式链路追踪这三个可观测性的传统支柱，已经是过时的，过于关注数据采集和底层数据格式，而不去关注结果（我们建设可观测性的初心和目标），这个做法实在是滑天下之大稽
优化实践：Prometheus 性能和高基数问题
如果提高 Prometheus 的性能并解决高基数问题，本文作者 David Calvert 讲解了他的一些实践思路
年轻人，想要学到答案，请先学会提问
很多技术新人，因为经验匮乏，经常需要去论坛或社区寻求帮助，但是缺少礼仪、不懂提问的智慧，导致最后没有得到答案，本文来分享一下如何正确的提问，才能更快拿到答案。
Prometheus 瘦身第一步，使用 mimirtool 找到没用的 Prometheus 指标
Prometheus 中有很多指标，有些在 Dashboard 中使用，有些在告警规则、记录规则中使用，有些应该用但是没用起来，有些压根就不应该采集，这些指标值得好好分析，使用 mimirtool 工具可以帮我们做一些这方面的分析工作。
Flashcat 统一观测平台，可视化能力简介
Flashcat 统一观测平台，提供 metrics logging tracing 的可视化能力，内置了监控大盘，可以把最佳实践沉淀下来。
产品技术：Flashcat 统一观测平台，告警能力详解
介绍 Flashcat 统一观测平台的告警体系，涵盖 PromQL 阈值告警、机器失联告警、日志告警、智能告警、静默屏蔽与订阅分组等能力。
LinkedIn：扩展 Salt 以解决大规模机器命令执行需求
LinkedIn 有几十万机器，每天执行 15000+ 个任务，任务下发使用的是 Salt，但是做了很多改造。
面试 LinkedIn SRE 是一种怎样的体验？
LinkedIn 作为世界前十大流量的网站，为海量的求职者和雇主提供了建立连接的机会。维护如此庞大的网站的稳定运行，SRE 功不可没，LinkedIn 会如何招聘 SRE 工程师呢？
SLICK: Facebook基于SLO的可靠性保障实践
定义服务的SLI和SLO，通过全局系统呈现、处理所有服务的SLI/SLO，从而帮助SRE实践在系统中的落地。本文介绍了Facebook（Meta）在这方面的实践。原文：SLICK: Adopting SLOs for improved reliability
最佳实践：告警通知时如何做到最佳降噪效果
很多监控告警的系统都声称自己的降噪比是多少多少，各位终端用户可能不好分辨到底效果如何，本文给大家推荐一个简单粗暴高效的方式。
SRE们，请不要小看了 排班OnCall
Google SRE 的书中提到了一个点，说要能够把 SRE 的工作落地好，实践好，做好 排班 OnCall 是其中关键一环。很多人不理解个中道理，本文会尝试解释一下底层的逻辑。
最佳实践：治理告警风暴，告警降噪的一些典型手段
很多公司希望提升服务稳定性，而上线了各类监控系统，指标的、链路的、日志的，而且只是指标层面可能就会有多个监控系统，这么多监控系统、这么多监控目标，如果没有良好的治理，很快就会产生告警风暴的问题，如何通过一些手段达到告警降噪的效果呢？
SRE 简介，和 DevOps 的关系和异同
SRE 是什么？SRE 和 DevOps 是一个东西吗？或者说 SRE 和 DevOps 的关系和异同如何？
Uber实践：运维大型分布式系统的一些心得
在过去的几年里，我一直在构建和运营一个大型分布式系统：优步的支付系统。在此期间，我学到了很多关于分布式架构概念的知识，并亲眼目睹了高负载和高可用性系统不仅要构建还要运行的挑战。构建系统本身是一项有趣的工作。规划系统如何处理10x / 100x流量的增加，确保数据持久，面对硬件故障处理等等，这些都需要智慧。不管怎样，运维大型分布式系统对我来说是一次令人大开眼界的体验。
微服务监控 - Jaeger 简介
CNCF 主推的分布式链路追踪方案是 Jaeger，来自 Uber，Uber 有几千个微服务，调用关系错综复杂，Jaeger 和 M3DB 可谓 Uber 两大微服务监控利器，本讲我们就一起来看一下 Jaeger。
从监控系统到可观测平台的演进之路
可观测性（Observability）是一种软件开发和系统构建的哲学，是对系统内部状态及行为的度量和推断能力，通常包括日志、指标、链路追踪等多个度量维度。也就是说，在软件开发和运维领域中，可观测性是指对于一个复杂的系统，能够通过监控、日志、指标、追踪等手段，快速地发现、诊断、解决问题的能力。
顶级公司Netflix是如何做监控的？
本文阐述了 Netflix 的系统监控实践：自研 Telltale，成功运行并监控着 Netflix 100 多个生产应用程序的运行状况。
如何优化 PromQL 和 MetricsQL 查询
PromQL和MetricsQL是强大的查询语言。它们允许编写简单的查询，用于构建漂亮的时间序列数据图形。它们还允许编写复杂的查询，用于SLI / SLO计算和警报。但优化PromQL查询可能很困难。本文介绍了如何确定缓慢的PromQL查询，如何理解查询成本以及如何优化这些查询，使其执行更快并消耗更少的CPU和RAM。
稳定性体系建设白皮书
SRE 是 Site Reliability Engineering，网站稳定性工程，具体怎么做这个网站稳定性工程？有没有什么方法论？有没有什么工具？白皮书来了
