#prometheus

The inside scoop on alerting changes in Kubernetes Monitoring

Grafana Cloud's Kubernetes Monitoring có hai hệ thống cảnh báo riêng biệt: cảnh báo quản lý bởi data source (Mimir/Prometheus) và cảnh báo quản lý bởi Grafana. Việc cài đặt lại app sẽ tự động chuyển quy tắc cảnh báo sang hệ thống Grafana, có thể làm gián đoạn các tuyến thông báo đã cấu hình trong Alertmanager. Bài viết hướng dẫn cách nhận diện hệ thống cảnh báo đang sử dụng, nguyên nhân ngừng hoạt động sau khi cài đặt lại, và các phương pháp tốt nhất như sử dụng nút Update thay vì cài đặt lại, sao lưu quy tắc tùy chỉnh trước khi nâng cấp, và lưu ý rằng cảnh báo quản lý bởi data source (Prometheus/Loki) sẽ ngừng hoạt động từ tháng 4/2026.

Lập trình viên cần đọc bài này để tránh mất hiệu suất cảnh báo trong Kubernetes khi tái cài đặt Grafana Cloud, vì nó có thể phá hủy cấu hình thông báo hiện có và cảnh báo cũ sẽ chuyển sang hệ thống quản lý mới, gây mất liên lạc với các hệ thống cảnh báo bên ngoài.

How Mumu Migrated From Prometheus to InfluxDB and Tripled Their Metric Coverage

Mumu chuyển từ Prometheus sang InfluxDB 3 trong 3 tháng, tăng gấp ba số liệu giám sát từ 150 lên 560 nhờ mô hình push-based phù hợp hơn. Quá trình di chuyển sử dụng chiến lược dual-write qua Vector, tận dụng AI để sinh 80% cấu hình từ OpenAPI của InfluxDB, đồng thời xác thực bằng Grafana so sánh song song. Lợi ích chính gồm chi phí triển khai thấp hơn (thêm metric chỉ cần 1 HTTP call), hỗ trợ SQL cho truy vấn tức thì, và mở rộng quan sát hệ thống như CI/CD, môi trường per-developer.

Lập trình viên cần đọc bài này để hiểu cách chuyển đổi từ Prometheus sang InfluxDB giúp tối ưu hóa hiệu quả theo dõi sự kiện push riêng biệt, giảm chi phí triển khai và mở rộng khả năng truy vấn SQL cho các trường hợp sử dụng mới như CI/CD và phân tích hoạt động người dùng.

How to generate real-world load tests using Grafana Cloud k6 and production telemetry

Production load tests often fail to reflect real traffic because they rely on arbitrary assumptions. By querying Prometheus/Mimir metrics in Grafana Cloud, teams can extract actual request rates, p95/p99 latency baselines, and traffic shape patterns to build data-driven k6 test configurations. The tutorial walks through four steps: finding real request rates, establishing latency thresholds, identifying traffic patterns (constant, stress, spike, endurance), and wiring everything into a k6 ramping-arrival-rate scenario. Results feed back into the same Grafana dashboards used to derive the test parameters, closing the observability-testing loop. Grafana Assistant can also automate this process using natural language to generate k6 scripts from production telemetry.

Security Observability with RSigma and the LGTM Stack

RSigma v0.9.0 can be wired into a full detection-to-alert pipeline using the Grafana LGTM stack (Loki, Grafana, Mimir) with Alloy as the OpenTelemetry collector. The setup uses Docker Compose with seven components: Helr replays pre-recorded Okta audit events, Alloy fans logs to both RSigma (for real-time Sigma rule evaluation) and Loki (for storage), and RSigma exposes per-rule Prometheus metrics with rule_title and level labels. Grafana alert rules use Go templates to dynamically map Sigma severity levels (critical/high/medium/low) to P1-P4 priorities, enabling automatic alert routing without manual wiring. The Okta cross-tenant impersonation scenario demonstrates the full chain: four ordered detections trigger a temporal_ordered correlation, producing a critical alert that routes to the appropriate notification channel. The entire alerting configuration is version-controlled and provisioned automatically.