需通过LoongCollector日志采集、日志服务告警规则、钉钉通知、internal-diagnostic_log心跳诊断及Prometheus表达式（Rancher环境）五步实现骡子快跑异常感知与响应。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜

如果您希望骡子快跑对运行过程中的异常行为进行及时感知与响应，则需依赖其底层日志采集与告警机制。骡子快跑本身不直接提供图形化告警配置界面，但可通过对接日志服务（如阿里云SLS或内置LoongCollector）实现异常行为的识别与通知。以下是具体配置方法：

一、启用LoongCollector日志采集

LoongCollector是骡子快跑默认集成的日志采集组件，负责捕获运行时日志并上报至日志服务，为后续异常识别提供数据基础。若采集器未运行或配置错误，将导致日志丢失，无法触发告警。

1、确认LoongCollector进程处于运行状态。可在容器环境中执行ps aux | grep loongcollector验证。

2、检查采集配置文件是否存在语法错误。标准路径为/usr/local/ilogtail/config.json，重点核对logstore名称、project名称与实际日志服务中的一致性。

3、验证日志是否成功写入。查看容器内/usr/local/ilogtail/loongcollector.LOG文件末尾是否有“send success”类记录。

二、配置日志服务内置告警规则

日志服务提供基于关键词、字段值或正则匹配的告警能力，适用于识别“连接超时”“认证失败”“内存溢出”等典型异常行为模式。告警规则需绑定到具体LogStore。

1、登录日志服务控制台，进入目标Project下的LogStore管理页。

2、单击LogStore名称，在右侧操作栏选择告警规则 > 创建告警规则。

3、在规则编辑区输入查询语句，例如：__topic__: mulerun_task AND "ERROR" | SELECT count(*) AS cnt GROUP BY __source__。

4、设置触发条件为cnt > 5，周期为5分钟，连续触发2次即告警。

5、保存前务必勾选启用告警选项，否则规则仅存档不生效。

三、配置钉钉通知渠道

告警信息需通过可靠通道触达责任人，钉钉机器人是最常用且低延迟的方式。通知内容应包含异常时间、来源IP、错误摘要三项核心字段，便于快速定位。

1、在钉钉群中添加自定义机器人，获取Webhook URL，并记录secret值。

2、返回日志服务控制台，进入告警管理 > 通知渠道 > 新建渠道。

3、选择类型为DingTalk，粘贴Webhook URL与secret，测试连通性。

4、创建告警规则时，在通知配置环节选择该已配置的钉钉渠道，并指定接收人标签（如@运维组）。

四、使用internal-diagnostic_log诊断心跳异常

骡子快跑任务若长时间无日志上报，可能表明Agent已崩溃或网络中断。可通过诊断日志中的心跳状态判断运行健康度，避免“静默故障”。

1、在日志服务中新建查询，输入：__topic__: logtail_status | SELECT ip, hostname, max(__time__) as last_heartbeat GROUP BY ip, hostname。

2、设定时间范围为最近30分钟，执行后观察各节点last_heartbeat时间戳是否滞后超过10分钟。

3、对滞后节点单独发起查询：__topic__: logtail_status AND ip: "192.168.1.101" | SELECT * ORDER BY __time__ DESC LIMIT 10，确认最后一次心跳携带的状态码是否为0（正常）。

4、若状态码非0或无返回结果，需立即登录对应主机检查loongcollector进程及网络连通性。

五、配置Prometheus表达式告警（适用于Rancher集成环境）

当骡子快跑部署于Rancher托管集群时，可复用Prometheus Alertmanager能力，通过指标维度监控异常。该方式适合检测资源级异常，如CPU突增、OOMKilled事件。

1、确认集群已启用监控功能，且Prometheus服务处于Running状态。

2、进入Rancher控制台，选择工具 > 告警 > 添加告警组，命名如“MuleRun-Resource-Alerts”。

3、添加新告警规则，表达式填写：container_cpu_usage_seconds_total{container=~"mulerun.*"} / on(instance, job) group_left(node) node_cpu_seconds_total{mode="idle"} * 100 > 90。

4、设置紧急程度为危险，持续时间为3分钟，通知渠道选择已配置的钉钉接收者。