ngx_http_vts_module本身不提供告警功能，但可作为构建分集群实时错误率告警体系的核心数据源，需结合Prometheus采集重标、PromQL计算错误率、差异化阈值告警规则及Alertmanager路由实现。
ngx_http_vts_module 本身不提供告警功能，但它能实时暴露各 upstream 的详细指标（如状态码分布、请求失败数、连接异常数），是构建错误率告警体系的关键数据源。要实现“针对不同后端集群的实时告警”，需将其与 Prometheus + Grafana + Alertmanager 链路打通，并在指标采集层做针对性重标和聚合。
1. 启用 vts 模块并按集群维度暴露指标
vts 默认将所有 upstream 统一汇总，必须通过 upstream 分组命名 + location 分离 实现集群粒度隔离。例如：
在 Nginx 配置中为每个后端集群定义独立 upstream 块，并使用语义化名称：
upstream cluster-api-prod {
server 10.0.1.10:8080;
server 10.0.1.11:8080;
}
<p>upstream cluster-payment-staging {
server 10.0.2.5:8080;
server 10.0.2.6:8080;
}再通过 vts 的 status_zone 指令绑定到 server 或 location 级别，并确保每个集群有唯一 zone 名：
server {
listen 80;
location /api/ {
proxy_pass http://cluster-api-prod;
status_zone cluster-api-prod; # 关键：zone 名即集群标识
}
}
<p>server {
listen 80;
location /pay/ {
proxy_pass <a href="https://www.php.cn/link/73103ddd969c87aee1a6cfe805b7dbd4">https://www.php.cn/link/73103ddd969c87aee1a6cfe805b7dbd4</a>;
status_zone cluster-payment-staging;
}
}2. 用 Prometheus 抓取并重标为多维指标
nginx-vts-exporter（推荐使用 hnlq715 版本）负责把 /status/format/json 转为 Prometheus 格式。关键配置在于重标（relabel_configs），将 vts 的原始指标映射为带 upstream、code、state 标签的时序数据：
- 抓取
nginx_vts_upstream_requests_total，通过__meta_vts_upstream提取 zone 名作为upstream标签 - 将 HTTP 状态码（如
2xx,5xx）从指标名或 JSON 字段中提取为code标签 - 对
5xx类错误单独建模，例如：nginx_vts_upstream_requests_total{code="5xx", upstream="cluster-api-prod"}
这样就能在 PromQL 中直接按集群写表达式，比如过去 5 分钟 cluster-api-prod 的 5xx 错误率：
rate(nginx_vts_upstream_requests_total{code="5xx", upstream="cluster-api-prod"}[5m])
/
rate(nginx_vts_upstream_requests_total{upstream="cluster-api-prod"}[5m])3. 定义分集群、分阈值的告警规则
在 Prometheus rules 文件中，为每个重要集群设置独立告警项，支持差异化阈值：
# API 生产集群：5xx 错误率 > 0.5% 持续 2 分钟触发
- alert: UpstreamAPIProdHigh5xxRate
expr: |
(rate(nginx_vts_upstream_requests_total{code="5xx", upstream="cluster-api-prod"}[2m])
/ rate(nginx_vts_upstream_requests_total{upstream="cluster-api-prod"}[2m]))
> 0.005
for: 2m
labels:
severity: critical
cluster: cluster-api-prod
annotations:
summary: "High 5xx error rate on {{ $labels.upstream }}"
description: "{{ $value | printf \"%.2f\" }}% of requests failed with 5xx"
<h1>支付预发集群：容忍度更低，> 0.1% 即告警</h1><ul><li>alert: UpstreamPaymentStagingHigh5xxRate
expr: |
(rate(nginx_vts_upstream_requests_total{code="5xx", upstream="cluster-payment-staging"}[2m])
/ rate(nginx_vts_upstream_requests_total{upstream="cluster-payment-staging"}[2m]))<blockquote><p>0.001
for: 2m
labels:
severity: warning
cluster: cluster-payment-staging4. 告警降噪与根因辅助定位
仅看 5xx 率可能掩盖真实问题。建议补充两个协同指标提升判断精度：
-
连接级失败率：用
nginx_vts_upstream_connections_failed_total{upstream="xxx"}判断是否是网络或后端宕机导致 -
超时请求占比：vts 中
timeout计数器可识别慢依赖拖垮整体稳定性 - Grafana 看板中将同一集群的「5xx 率」「失败连接数」「平均响应时间」放在同一行，便于横向比对
Alertmanager 可基于 cluster 标签做路由，把 cluster-api-prod 告警发给 API SRE 组，payment 相关告警路由至支付团队，避免告警错投。
