使用Amazon Step Functions实现Amazon CloudWatch持续报警

背景介绍

监控与报警系统对企业的生产环境来说是不可或缺的，完善的监控与及时的报警通知可以帮助企业快速定位并解决问题，从而减少经济损失。

Amazon CloudWatch是亚马逊云上的统一监控平台，实现对云上所有资源的监控。Amazon CloudWatch Alarm可以基于Amazon CloudWatch Metrics里面的指标，根据您自定义的规则触发警报。通过集成Amazon SNS和Amazon Lambda，您可以实现邮件、短信、企业微信、钉钉、飞书等多种方式的通知。

但是，Amazon CloudWatch Alarm仅会在警报从【正常】状态转变为【告警】状态时触发一次警报。此后，即使警报仍然处于【告警】状态，也不会有新的通知产生。

本文将介绍，如何基于无服务器函数编排工具Amazon Step Functions，在警报被触发后轮询警报状态，实现持续报警的效果，以强调警报的存在，确保您系统中的问题可以得到足够的重视。

架构图

本方案包含如下组件：

您可以根据您的需要，创建Amazon CloudWatch Alarm。
Amazon CloudWatch Alarm会通过Amazon EventBridge，触发Amazon Step Functions工作流
Amazon Step Functions工作流的具体内容见下文。工作流中会包含以下两个函数：
- HandleAlarm：您自定义的警报处理函数，用来实现通知逻辑。
- CheckAlarm：下文会指导您创建的警报状态检查函数，用来判断是否继续发出通知。

配置步骤

创建Lambda函数以检查警报状态

创建一个Lambda函数，命名为CheckAlarm，使用Amazon SDK检测警报状态。比如，如果使用Python 3.8作为runtime创建此函数，可以参考如下代码：

import boto3

cloudwatch = boto3.client('cloudwatch')

def lambda_handler(event, context):
  print(f'event={event}')
  try:
   # check alarm state
   res = cloudwatch.describe_alarms(AlarmNames=[event['alarmName']])
   print(f'res={res}')
   if 'MetricAlarms' in res:
   return res['MetricAlarms'][0][
   'StateValue'] # 'OK'|'ALARM'|'INSUFFICIENT_DATA'
   elif 'CompositeAlarms' in res:
   return res['CompositeAlarms'][0][
   'StateValue'] # 'OK'|'ALARM'|'INSUFFICIENT_DATA'
   else:
   print('no alarms found')
   return 'ERROR'
  except Exception as e:
   print(e)
   return 'ERROR'

此函数需要调用cloudwatch:DescribeAlarms API，所以需要为此函数所使用的IAM Role添加此权限。

此函数会自动从event 参数中解析出警报的名称。最终返回值为OK/ALARM/INSUFFICIENT_DATA/ERROR中的一个。

创建Amazon Step Functions

使用如下内容创建Step Functions工作流：

{
  "Comment": "Handle Alarm Periodically",
  "StartAt": "In Alarm?",
  "States": {
   "In Alarm?": {
   "Type": "Choice",
   "Choices": [
   {
   "Variable": "$.detail.state.value",
   "StringEquals": "ALARM",
   "Next": "HandleAlarm"
   }
   ],
   "Default": "Pass"
   },
   "HandleAlarm": {
   "Type": "Task",
   "Resource": "arn:aws:states:::lambda:invoke",
   "OutputPath": "$.Payload",
   "Parameters": {
   "FunctionName": "<AlarmHandler>",
   "Payload.$": "$"
   },
   "Retry": [
   {
   "ErrorEquals": [
   "Lambda.ServiceException",
   "Lambda.AWSLambdaException",
   "Lambda.SdkClientException"
   ],
   "IntervalSeconds": 2,
   "MaxAttempts": 6,
   "BackoffRate": 2
   }
   ],
   "Next": "Wait",
   "InputPath": "$$.Execution.Input"
   },
   "Wait": {
   "Type": "Wait",
   "Seconds": 300,
   "Next": "CheckAlarm"
   },
   "CheckAlarm": {
   "Type": "Task",
   "Resource": "arn:aws:states:::lambda:invoke",
   "OutputPath": "$.Payload",
   "Parameters": {
   "FunctionName": "<CheckAlarm>",
   "Payload.$": "$"
   },
   "Retry": [
   {
   "ErrorEquals": [
   "Lambda.ServiceException",
   "Lambda.AWSLambdaException",
   "Lambda.SdkClientException"
   ],
   "IntervalSeconds": 2,
   "MaxAttempts": 6,
   "BackoffRate": 2
   }
   ],
   "Next": "Still In Alarm?",
   "InputPath": "$$.Execution.Input.detail"
   },
   "Still In Alarm?": {
   "Type": "Choice",
   "Choices": [
   {
   "Variable": "$",
   "StringEquals": "ALARM",
   "Next": "HandleAlarm"
   },
   {
   "Variable": "$",
   "StringEquals": "OK",
   "Next": "Pass"
   }
   ],
   "Default": "Fail"
   },
   "Pass": {
   "Type": "Pass",
   "End": true
   },
   "Fail": {
   "Type": "Fail"
   }
  }
}

您需要把上述文档中的如下内容进行替换：

<AlarmHandler>: 响应警报的Lambda函数的ARN。您需要自行创建此函数，并在里面实现您的通知/处理逻辑。
<CheckAlarm>: 刚才创建的CheckAlarm函数的ARN。

如果使用此文档创建Step Functions，那么轮询周期为5分钟（300秒）。您可以通过修改文档中的下述内容来修改轮询周期：

"Wait": {
   "Type": "Wait",
   "Seconds": 300, // 修改这个值，单位为秒
   "Next": "CheckAlarm"
},

上述文档会创建如下图所示的状态机：

当警报状态改变，触发此状态机时，会顺序执行下述操作：

警报的状态是否是ALARM。如果不是，则跳转到Pass状态并结束状态机
调用HandleAlarm函数，根据您自定义的逻辑发出通知
进入Wait状态，等待一段时间
调用CheckAlarm函数，判断警报状态
1. 如果函数返回OK，即警报已经恢复正常，则进入Pass 状态并结束状态机
2. 如果函数返回ALARM，即警报仍然在告警，则回到步骤1
3. 如果函数返回其他值，视为故障并进入Fail状态，结束状态机

此状态机的两个Lambda函数都在InputPath 中引用了$$.Execution.Input 变量，使它们即使被多次触发，或者在循环中被触发，也会有一致的输入值。

配置CloudWatch警报

根据您的需求，创建CloudWatch警报。此方案会使用EventBridge触发Step Functions，所以它在创建的时候不需要配置任何通知。删除所有的通知，并直接点击Next.

创建完毕后，复制EventBridge规则

创建EventBridge规则，目标为刚才创建的Step Functions状态机：

至此，每当警报状态发生改变的时候，状态机就会被触发。如果警报的状态为【报警中】，状态机就会发出持续通知。

结束语

综上所述，您只需要准备好您自定义的警报处理函数HandleAlarm ，并将其集成到上述系统中，即可实现CloudWatch持续报警，提升您的报警触达率，加速问题的解决。

亚马逊AWS官方博客