第一次给SAP环境搭监控，从零到出第一条告警

周末折腾了一下客户那边的 SAP 运维，踩了不少坑。这类平台不是装完就灵，七成工作量其实在前期把权限和环境梳理清楚。\n\nAvantra 是给 SAP 做监控和自动化的平台。SAP 就是很多公司里管财务、采购、库存的那套大系统，一旦卡住，业务跟着停。Avantra 干的事，可以理解成给这套系统配一个 24 小时值班的体检医生，顺带还能自动处理一些重复动作。\n\n我这次带的是一个刚接手 SAP 运维的同事，从零走到第一条告警出来。下面按我实际走的顺序写。官方对它的定位是管理任意规模的 SAP 环境，覆盖面是系统运行、安全和成本三个视角。\n\n准备阶段有两件事得先问清楚。一是申请试用，它走的是预约演示的路子，没有点一下就开的免费账号，表单里会让你填公司规模、SAP 环境数量、想解决的问题。这里第一个坑是环境数量别拍脑袋填，要先问清楚客户有几个 SAP 实例，生产、测试、开发各几个。填少了后面配额不够，填多了商务那边会来回确认，能拖一周。二是要一个技术账号和一条网络通路。监控要在 SAP 服务器上装一个采集小程序，行业里叫 agent，就是常驻在机器上、定期把状态报回去的小程序。装它需要一个能读系统状态的账号，别用业务账号。这一步最容易卡住，因为要客户的 SAP 管理员开防火墙端口，还要走一次安全评审。我的做法是把这两件事在申请试用的同一天就发起，不然演示环境都好了，这边还没通。\n\n部署采集端的时候，在控制台的引导页选你的 SAP 版本，它会生成一条安装命令，复制到服务器上执行，界面上出现 Connected 就算成了。第一次我只装了一台，确认数据能稳定上来再批量铺，别一上来就全量。\n\n然后是监控策略。平台自带一套默认模板，大白话就是什么情况算异常。阈值（触发报警的那条线）先别改，让它自己跑一天，你才知道正常的波动长什么样。第一天就去调阈值，基本等于瞎调。\n\n再看事件页，这里和传统监控差别最大。它会把同一时间冒出来的一堆告警合并成一个事件，再给一个可能的原因。AI 根因分析听着玄，我这边测下来就是帮你把排查范围缩小，最后还是人拍板。\n\n通知先只开生产的最高级别，接到现有的工单系统或者值班群里，其余的先转成日报，别急着推送。\n\n我这边测下来的对比大概是这样的。告警量以前一天几百条，靠人筛，接上之后合并成十几个事件；找原因以前挨个系统翻日志，现在给一个可能范围，人工确认；重复动作以前手动重启、清日志，现在可配成自动任务，但要有回滚。\n\n踩过的坑有三个。第一个，同事第一天就把默认策略全开了，通知刷了几千条，值班的人第二天直接把这个群静音了，后来只留生产的最高级别。报得准比报得多重要。第二个，采集账号权限给太大，为了省事直接给了管理员权限，安全评审那关卡住，正确的做法是按需要的最小权限申请，只读系统状态和作业日志就够了。第三个，自动化没做回滚。我们配了一条作业卡住就重启，测试环境跑得挺好，结果有一次赶上月末结账，重启打断了一个正在跑的关键作业。这类动作上线前必须写清楚三件事，什么条件下触发、失败了退回哪一步、谁能一键停掉。\n\n先把只读观察跑满两周，再动自动化。下一步我打算试两件事，一是把 SAP 的云上开销也接进来看，这类平台一般带成本视角，能看出哪些实例在空跑；二是把事件接到现有的工单系统，让处理记录留痕，不然出了问题说不清谁改了什么。