日志集中告警的检测：日志、流量与异常特征

告警分级没有出口规则，P1 会被 P3 淹没，最后没人再看，分级没有出口等于没有分级，出口规则要写下来

先保证三件事：入口参数有记录、危险点有埋点、时间戳可信。

先说结论

能被检测的前提是「有基线」：不知道正常长什么样，异常就看不出来。

• 入口：记录原始参数（脱敏后）
• 危险点：记录调用与关键参数
• 基线：同类请求的频率与形态
• 告警：低误报优先，先做「罕见」而不是「可疑」
• 留存：至少 30 天，且异地一份

该记什么

全文索引的成本是原始存储的五到十倍，冷数据应该只做归档，超过 30 天的查询本来就少，归档要能查回来。

异常长什么样

告警分级没有出口规则，P1 会被 P3 淹没，最后没人再看，分级没有出口等于没有分级，出口规则要写下来。

检测规则从「罕见」开始最有效：同一 IP 短时间内参数形态高度相似，往往就是自动化工具。

这个问题的几个观测点

实际排查时最有用的几条：

• 采集端必须有本地缓冲，网络抖动时直接丢弃是很常见的设计缺陷，缓冲要按峰值流量算足，磁盘也要预留一倍
• 时间戳统一到 UTC，跨时区排查时本地时间会误导判断

为什么有日志还查不出

所有日志都开 debug，磁盘一周就写满

告警全发到同一个群，两周后全员免打扰

采集端不做缓冲，重启期间的日志全丢

最小可行方案

没有 SIEM 也能做：每日统计 4xx/5xx 比例与 Top 路径；每周比对新增定时任务、账号与监听端口；每月抽查日志留存。

关键告警走独立通道，别只发邮件。

再补充几点

这几条不改变结论，但会改变你评估风险时的顺序。

• 日志量失控的主因是 debug 级别误开到生产，能占到总量的七成
• 保留 180 天不是数字游戏，是为了能回溯三个月前的一次异常，到期前先确认冷数据查得回来

检测的价值不在抓人，在缩短「从被利用到发现」的时间。