IT 監控與告警系統（Monitoring & Alerting）
這是現代 IT 系統中不可或缺的一環，尤其是對軟體維運（SRE/DevOps）或雲端架構來說更是核心關鍵。
- 什麼是監控（Monitoring）？
是持續蒐集系統運作狀態（如 CPU 使用率、記憶體、網路流量、錯誤率、API 回應時間等），幫助技術團隊了解系統是否健康運作。 - 什麼是告警（Alerting）？
是當系統監控到某個指標異常（例如延遲超過閾值或伺服器當機）時，主動通知工程師（例如透過 Email、Slack、Opsgenie、PagerDuty 等），以便及時處理。
常見的工具與概念：
- Prometheus + Grafana：開源的指標型監控工具組合。
- ELK Stack（Elasticsearch, Logstash, Kibana）：以日誌為主的監控。
- Cloud 原生工具：如 AWS CloudWatch、Google Cloud Monitoring。
- AIOps 平台：利用 AI 判斷異常（如 Datadog、New Relic）。
1. Grafana — 可視化儀表板工具
▍用途
Grafana 是一個開源的 資料視覺化工具，可以把各種監控資料（如 CPU 使用率、流量、錯誤率）畫成圖表、儀表板。▍常見用途
- 搭配 Prometheus、InfluxDB、CloudWatch 等監控工具使用。
- 在一個介面上查看整個系統的健康狀況。
- 幫助技術團隊迅速發現異常（例如突如其來的高流量或系統資源耗盡）。
2. ELK Stack — 日誌型監控分析工具
▍ELK 是什麼？
ELK 是三個工具的組合，主要是處理大量日誌資料：
▍常見用途
- 查看系統錯誤訊息、API 存取紀錄、用戶行為記錄等。
- 做事件調查（像是安全事件、異常操作、資料遺失等）。
3. Opsgenie — 告警通知與值班排程工具
▍用途
Opsgenie 是一個專門負責「誰該被通知」的工具，常與監控系統搭配使用。
▍常見功能
- 告警通知（整合 CloudWatch、Prometheus、Datadog 等監控工具）。
- 值班表管理（例如誰這週 on-call）。
- 通知路由（不同類型的問題通知不同的人，例如後端錯誤通知後端、資安事件通知資安人員）。
- 支援多種通知方式（Email、App、簡訊、電話、Slack）。
額外補充：Logstash — 日誌收集與處理工具
▍用途
- 從不同來源（伺服器、資料庫、應用程式）收集 log。
- 做格式轉換、過濾，例如把原始 log 中的 IP、錯誤碼挑出來。
- 傳送到 Elasticsearch、Kafka、Amazon S3、或其他儲存服務。
▍舉例
像是應用程式產生的日誌格式五花八門，Logstash 可以把這些整理成一致的格式，送到 Elasticsearch，方便後續查詢與分析。
4. Datadog — 雲端監控平台
▍定位
Datadog 是一個 雲端原生的一站式監控平台，功能涵蓋：
- 指標監控（CPU、記憶體、流量等）
- 日誌管理（Log）
- 分散追蹤（APM：Application Performance Monitoring）
- 安全監控（Security Monitoring）
- 告警管理
▍特色
- 圖形化介面好用，支援自動儀表板。
- 很適合多雲、多微服務架構。
- 整合非常多（AWS、GCP、Kubernetes、Docker、Jenkins…）。
另外在文中提到的 SRE / DevOps
SRE / DevOps — 現代維運的兩大角色
🧠 一句話分別
- DevOps 是一種文化與方法論，讓「開發」和「維運」能更快、更頻繁、更穩定地交付產品。
- SRE 是一種實作角色與工程方法，用來實現穩定、高可用、可預測的服務。
🔍 DevOps：文化、流程、工具整合
▍核心理念
- 打破開發與維運的隔閡
傳統上，開發負責寫程式，維運負責上線與處理事故，但雙方常常互相指責。DevOps 強調一起對系統品質負責。 - 全面自動化
包括程式建置、自動測試、自動部署（CI/CD）、基礎建設自動化（IaC）。 - 持續交付、快速回饋
功能一寫完就能快速進入測試→部署→上線→回饋，讓產品更靈活、風險更低。
▍常見工具
🛠️ SRE：以工程方式確保系統可靠
▍由 Google 提出，核心目標是：
「讓系統穩定、可預測，並能承受改變與錯誤。」
▍核心觀念
- 定義服務水準：
- SLA（Service Level Agreement）：對外承諾的可用性（例如 99.9%）。
- SLO（Service Level Objective）：對內設定的目標（例如 API 每月錯誤率 < 0.1%）。
- SLI（Service Level Indicator）：實際量測的指標（如錯誤率、延遲率）。
- 錯誤預算（Error Budget）：
- 如果服務達不到 SLO，可以「暫停部署」，專注修穩定性。
- 如果有多的錯誤預算，團隊可加快部署新功能。
- 自動化維運：
- 自動修復腳本（auto-healing）
- 自動擴縮（Auto Scaling）
- 實施容錯架構（如 multi-AZ, failover）
▍SRE 跟 DevOps 有何不同？
