前提

Datadogで以下のようにMonitorを定義したとする。

「Lambdaの実行でエラーが発生した場合アラートを発する」

alertの条件は以下のように定義した。

Query: sum(last_1h):aws.lambda.errors{functionname:my-function}.as_count() > 0
つまり、

Alert threshold: > 0

Evaluation Details: Evaluate the sum of the query over the last 1 hour

発生する問題

1:00pm: Lambda実行失敗。エラー発生
1:01pm: Datadogがevaluateする(evaluation window=12:01-1:01) -> アラートが発生する。
1:15pm: Lambdaのバグ修正、Lambdaをリトライして実行が成功。
1:20pm: DatadogのUIでモニターをResolveする。
1:21pm: Datadogがevaluateする(evaluation window=12:21-1:21) -> アラートが再び発生する。

つまり、アラートをResolveした直後に、その直前のエラーが理由でアラートが再び発されてしまう。

解決方法

1:20pmの時点で、Resovleではなく、1時間 Mute とかにすべきなんだろうか。

あるいは、sum(last_1h)をsum(last_5m)にすれば、この場合に限っては解決しそう。

あるいは、1:21pmの時点でのevaluation windowを1:15-1:21にできたらいいのだが。

あるいは、evaluation frequency を1時間に1回にすれば良い。

Ref.