告警系统上线第一个月往往最热闹，第二个月开始值班的人就学会了无视，第三个月出真故障时反而没人接。原因不是人的问题，是无效告警太多：一次机房断电能刷出上百条，每条都响，等于没人被吵醒。调优的目标很朴素，把告警量压到一个值班日有效告警不超过 10 条。
下面按分级、聚合、阈值校准、责任绑定四步给出参数，顺序不能颠倒，先分级定范围，再聚合减量，然后校准准头，最后绑责任人。
一、分级：先定什么值得吵醒人
按影响面与可恢复性分四级：全场不可用或存在数据丢失风险为 P1，5 分钟确认、30 分钟未恢复自动升级；核心功能受损但有绕行为 P2，30 分钟确认；单点异常不影响开馆为 P3，工作时间处理；信息类统计为 P4，进日报。只有 P1 允许电话与短信叫人，P2 只进即时通讯，P3 与 P4 进日报。这条定完，夜间被打扰的次数立刻掉下来。
二、聚合：把一百条变成三条
- 同设备同指标 5 分钟窗口内合并为一条，保留首末时间与最大值；
- 依赖抑制：核心交换机离线时，挂在它下面的端口、无线接入点、摄像头告警折叠成一条受影响清单，不逐条发；
- 重复静默：同一对象未恢复前 2 小时内不重复推送，恢复时补一条恢复通知；
- 验收口径：一次机房断电演练的告警量，聚合前后对比，应从上百条降到 3 条以内。
三、阈值校准：用历史数据说话
静态阈值只适合电压、温度、磁盘这类波动小的指标。请求量、并发连接、心率带读数有明显潮汐，要用动态基线：取过去 14 天同一时刻的均值加减 3 倍标准差。每月做一次规则回放，拿上月真实数据跑当前规则，统计误报与漏报，误报率超过两成的规则必须调整。分时段设基线，凌晨的低流量不要报成异常。目标口径两条：单个值班日有效告警不超过 10 条，无效告警占比低于 10%，连续两周超标就动阈值。
四、责任绑定：没主的告警直接下线
每类告警绑定唯一责任人与备份人，值班表与告警路由同源，换班即换路由。没有处置手册的告警不允许上线，收到一条不知道该干嘛的通知只会消耗信任。每周一次 30 分钟复盘：上周条数、有效率、平均确认时长、排名前三的来源，超时未处理的逐条说明。连续一个月零触发的告警和无主告警，季度清理时直接下线。
五、给运维团队的三条建议
- 四周做完四步：第一周分级、第二周聚合、第三周校准、第四周绑责任人，每步留前后对比数据；
- 把有效告警占比与平均确认时长做成月度指标上墙，有数才有人管；
- 新增告警走评审，级别人与手册链接齐全才允许启用，入口管住，后面不用天天清理。