为 Amazon OpenSearch Service 推荐的 CloudWatch 警报 - Amazon Opensearch Service
您可能会考虑的其他警报
Amazon Web Services 文档中描述的 Amazon Web Services 服务或功能可能因区域而异。要查看适用于中国区域的差异，请参阅 中国的 Amazon Web Services 服务入门 (PDF)。

为 Amazon OpenSearch Service 推荐的 CloudWatch 警报

当一段时间内 CloudWatch 指标超出指定的值时，CloudWatch 警报将会执行某个操作。例如，您可能希望 Amazon 在集群运行状况为 red 的时间超过 1 分钟时向您发送电子邮件。本部分包括一些 Amazon OpenSearch Service 建议警报及其响应方式。

您可以使用 Amazon CloudFormation 自动部署这些告警。有关示例堆栈，请参阅相关的 GitHub 存储库。

注意

如果您部署 CloudFormation 堆栈，则 KMSKeyError 和 KMSKeyInaccessible 警报将以 Insufficient Data 状态存在，因为这些指标仅在域遭遇加密密钥问题时才会出现。

有关配置告警的更多信息，请参阅的《Amazon CloudWatch 用户指南》中的创建 Amazon CloudWatch 告警。

警报 问题
ClusterStatus.red 最大值 >= 1 达到 1 分钟，1 次连续时间 至少有一个主分片其及副本未分配给节点。请参阅红色集群状态。
ClusterStatus.yellow 最大值 >= 1 持续 1 分钟，连续 5 次 至少有一个副本分片未分配给节点。请参阅黄色集群状态。
FreeStorageSpace 最小值 <= 20480 达到 1 分钟，1 次连续时间 您的集群中的节点已降至 20GiB 的可用存储空间。请参阅缺少可用存储空间。此值以 MiB 为单位，因此我们建议将其设置为每个节点的存储空间的 25%，而不是 20480。
ClusterIndexWritesBlocked 大于等于 1 达到 5 分钟，1 次连续时间 您的群集正在阻止写入请求。请参阅ClusterBlockException。
Nodes 最小值 < x 达到 1 天，1 次连续时间 x 是您的集群中的节点数。此警报表示您的群集中至少有一个节点无法访问的时间已达到一天。请参阅集群节点失败。
AutomatedSnapshotFailure 最大值 >= 1 达到 1 分钟，1 次连续时间 自动快照失败。此故障通常由红色群集运行状况导致。请参阅红色集群状态。

有关所有自动快照的摘要和一些有关故障的信息，您也可以尝试以下操作：

GET domain_endpoint/_snapshot/cs-automated/_all
GET domain_endpoint/_snapshot/cs-automated-enc/_all
CPUUtilization 或 WarmCPUUtilization 最大值 >= 80% 达到 15 分钟，连续 3 次 有时可能会出现 100% 的 CPU 利用率，但是持续的高利用率是有问题的。考虑使用更大的实例类型或添加实例。
JVMMemoryPressure 最大值 >= 95% 达到 1 分钟，连续 3 次 如果使用量增加，群集可能会遇到内存不足错误。请考虑垂直扩展。OpenSearch Service 将实例的一半内存用于 Java 堆，最大堆大小为 32 GiB。您最多可以将实例的 RAM 垂直扩展至 64GiB，此时可以通过添加实例水平扩展。
OldGenJVMMemoryPressure 最大值 >= 80% 达到 1 分钟，连续 3 次
MasterCPUUtilization 最大值 >= 50% 达到 15 分钟，连续 3 次 考虑将更大的实例类型用于您的专用主节点。由于其在集群稳定性和蓝/绿部署中的作用，专用主节点的 CPU 使用率应比数据节点低。
MasterJVMMemoryPressure 最大值 >= 95% 达到 1 分钟，连续 3 次
MasterOldGenJVMMemoryPressure 最大值 >= 80% 达到 1 分钟，连续 3 次
KMSKeyError >= 1 达到 1 分钟，1 次连续时间 您的域中用于加密静态数据的 Amazon KMS 加密密钥已禁用。重新启用它可恢复正常操作。有关更多信息，请参阅Amazon OpenSearch Service 中的静态数据加密。
KMSKeyInaccessible >= 1 达到 1 分钟，1 次连续时间 您的域中用于加密静态数据的 Amazon KMS 加密密钥已被删除或其对 OpenSearch Service 的授权已撤销。您无法恢复处于此状态的域。但如果您具有手动快照，则可以使用它迁移到新域。要了解更多信息，请参阅 Amazon OpenSearch Service 中的静态数据加密。
shards.active >= 30000 达到 1 分钟，1 次连续时间

活动主分区和副本分区的总数大于 30000。轮换索引的频率可能过于频繁。请考虑使用 ISM 在索引达到特定使用期限之后将其移除。
5xx 警报 >= OpenSearchRequests 的 10% 一个或多个数据节点可能会重载，或者请求无法在空闲超时期限内完成。请考虑切换为更大的实例类型，或向集群添加更多节点。请确认您遵循以下分区和集群架构最佳实践。
MasterReachableFromNode < 1 达到 1 天，1 次连续时间

此警报指示主节点已停止或无法访问。这些故障通常是由网络连接问题或 Amazon 依赖问题导致的。
ThreadpoolWriteQueue 平均值 >= 100 达到 1 分钟，1 次连续时间 集群正在经历高索引并发。请检查和控制索引请求，或增加集群资源。
ThreadpoolSearchQueue 平均值 >= 500 达到 1 分钟，1 次连续时间 集群正在经历高搜索并发。请考虑扩展集群。您也可以增加搜索队列大小，但过度增加搜索队列大小可能会导致出现内存不足错误。
ThreadpoolSearchQueue 最大值 >= 5000 达到 1 分钟，1 次连续时间
ThreadpoolSearchRejected 最大值为 >=1 达到 1 分钟，1 次连续时间 这些警报会通知您可能会影响性能和稳定性的域问题。
ThreadpoolWriteRejected 最大值为 >=1 达到 1 分钟，1 次连续时间
注意

如果您只是想查看指标，请参阅 使用 Amazon CloudWatch 监控 OpenSearch 集群指标。

您可能会考虑的其他警报

请考虑根据您经常使用的 OpenSearch Service 功能配置以下警报。

警报 问题
WarmFreeStorageSpace 最小值 <= 10240 达到 1 分钟，1 次连续时间 您的集群中的 UltraWarm 节点已降至 10GiB 的可用存储空间。请参阅缺少可用存储空间。此值以 MiB 为单位，因此我们建议将其设置为每个 UltraWarm 节点的存储空间的 10%，而不是 10240。
HotToWarmMigrationQueueSize >= 20 达到 1 分钟，3 次连续时间

大量索引同时从热存储移动到 UltraWarm 存储。请考虑扩展集群。
HotToWarmMigrationSuccessLatency >= 1 天，1 次连续时间

配置此警报，以便在尝试轮询每日索引时，在 HotToWarmMigrationSuccessCount 延迟大于 24 小时的时候通知您。
WarmJVMMemoryPressure 最大值 >= 95% 达到 1 分钟，连续 3 次 如果使用量增加，群集可能会遇到内存不足错误。请考虑垂直扩展。OpenSearch Service 将实例的一半内存用于 Java 堆，最大堆大小为 32 GiB。您最多可以将实例的 RAM 垂直扩展至 64GiB，此时可以通过添加实例水平扩展。
WarmOldGenJVMMemoryPressure 最大值 >= 80% 达到 1 分钟，连续 3 次
WarmToColdMigrationQueueSize >= 20 达到 1 分钟，3 次连续时间

大量索引同时从 UltraWarm 存储转移到冷存储。请考虑扩展集群。
HotToWarmMigrationFailureCount >= 1 达到 1 分钟，1 次连续时间

迁移可能会在快照、分区重新定位或强制合并期间失败。快照或分片重新定位期间的故障通常是由于节点故障或 S3 连接问题造成的。磁盘空间不足通常是强制合并失败的根本原因。
WarmToColdMigrationFailureCount >= 1 达到 1 分钟，1 次连续时间 如果在尝试将索引元数据迁移到冷存储时失败，迁移通常也会失败。在删除暖索引群集状态时，也可能会发生故障。
WarmToColdMigrationLatency >= 1 天，1 次连续时间

配置此警报，以便在尝试轮询每日索引时，在 WarmToColdMigrationSuccessCount 延迟大于 24 小时的时候通知您。
AlertingDegraded >= 1 达到 1 分钟，1 次连续时间

警报索引为红色，或者一个或多个节点未按计划运行。
ADPluginUnhealthy >= 1 达到 1 分钟，1 次连续时间

异常检测插件未正常工作，原因是故障率过高，或者其中一个正在使用的索引为红色。
AsynchronousSearchFailureRate >= 1 达到 1 分钟，1 次连续时间

过去一分钟至少有一次异步搜索失败，这可能意味着协调器节点出现故障。异步搜索请求的生命周期仅在协调器节点上管理，因此，如果协调器关闭，则请求将会失败。
AsynchronousSearchStoreHealth >= 1 达到 1 分钟，1 次连续时间

持久索引中的异步搜索响应存储的运行状况为红色。您可能会存储大量异步响应，这可能会破坏集群的稳定性。请尝试将异步搜索响应限制为 10MB 或更少。
SQLUnhealthy >= 1 达到 1 分钟，3 次连续时间

SQL 插件将返回 5xx 响应代码，或将无效的查询 DSL 传递给 OpenSearch。排查客户端对插件发出的请求是否存在问题。
LTRStatus.red >= 1 达到 1 分钟，1 次连续时间

运行 Learning to Rank 插件所需的索引中至少有一个缺少主分片，且不起作用。