ELK Stack
ELK 集群监控：用 Prometheus + Grafana 监控 Elasticsearch 健康
Kibana 内置的 Stack Monitoring 免费功能有限，告警媒介也受商业授权约束。我们最终选择 Prometheus + Grafana 方案监控 ELK 集群，这篇文章记录完整的落地过程和踩坑。
#Prometheus
共 20 篇
可观测性
Prometheus 高基数治理实战：从 8 亿 series 到可控增长
高基数是 Prometheus 生态里最常见的性能杀手。这篇把「为什么发生、怎么发现、怎么治理」讲清楚，并给出一套可推广的组织治理方案。
Kubernetes
SLO/SLI/Error Budget 从理论到落地：SRE 可靠性工程实战
从 SLI 指标选取到 Error Budget 消耗速率告警，系统讲解 SRE 可靠性工程体系的落地实践，包括 Prometheus recording rules 计算 SLI、多窗口 burn rate 告警规则配 …
可观测性
VictoriaMetrics：比 Prometheus 更省资源的监控存储方案
Prometheus 撑不住了？本文对比 VictoriaMetrics 与 Prometheus 的核心差异，介绍 remote_write 无缝迁移方案，以及 VM 在资源占用、压缩率、查询性能上的实际提升。
可观测性
Thanos 实战：多 K8s 集群 Prometheus 统一监控与长期存储
记录我们将三套 EKS 集群的独立 Prometheus 迁移到 Thanos 统一监控体系的全过程，重点覆盖选型决策、生产配置和踩坑总结。
可观测性
可观测性三支柱实战：Metrics/Logs/Traces 联动
监控告诉你系统挂了，可观测性告诉你为什么挂。本文从三支柱的核心差异出发，讲透 Prometheus+Loki+Tempo 的联动排障流程，覆盖 OpenTelemetry 采集标准、Exemplar 原理与配置，以及可观 …
可观测性
Grafana Mimir 长期指标存储实战：从单集群 Prometheus 到 10 亿级 series
从一套 Prometheus HA pair 起步，一路扩到跨三地多活 Mimir，把 series 数从千万推到十亿级。本文把架构、配置、监控、事故按顺序讲清楚。
可观测性
Alertmanager Webhook 开发：自定义告警处理与 API 集成
Alertmanager 内置的通知渠道不支持钉钉、飞书等国内工具，Webhook 是扩展告警通知的标准方式。本文用 Python Flask 实现完整的 Webhook 接收器，涵盖消息格式化、降噪去重 …