طراحی حرفه‌ای Notification و Escalation در Zabbix

طراحی حرفه‌ای Notification و Escalation در Zabbix
از صفر تا Zabbix Enterprise · درس 13 · آرشیو کانال · 2026-10-12

تشخیص Problem فقط نیمی از کار است.

اگر هشدار به فرد اشتباه ارسال شود، اطلاعات کافی نداشته باشد یا در میان پیام‌های غیرضروری گم شود، حتی بهترین Trigger نیز تأثیر عملیاتی نخواهد داشت.

یک سیستم هشداردهی حرفه‌ای باید به پنج سؤال پاسخ دهد:

• چه اتفاقی رخ داده است؟

• کدام سرویس تحت تأثیر قرار گرفته؟

• شدت و دامنه مشکل چقدر است؟

• چه کسی مسئول رسیدگی است؟

• اگر اقدامی انجام نشد، مرحله بعد چیست؟

اجزای Alerting در Zabbix

🔹 Event

تغییر وضعیت ثبت‌شده، مانند تبدیل Trigger از OK به Problem

🔹 Action

مشخص می‌کند در برابر Event چه کاری انجام شود.

🔹 Condition

تعیین می‌کند Action برای چه Host، Tag، Severity یا Eventی اجرا شود.

🔹 Operation

عملی که هنگام ایجاد Problem انجام می‌شود؛ مانند ارسال پیام یا اجرای دستور

🔹 Recovery Operation

عملی که پس از رفع Problem انجام می‌شود.

🔹 Update Operation

واکنش به Acknowledge، تغییر Severity یا به‌روزرسانی Problem

🔹 Media Type

مسیر ارسال پیام مانند Email، SMS، Telegram، Webhook یا Ticketing System

🔹 Escalation

اجرای عملیات در چند مرحله و در طول زمان

مسیر ارسال یک هشدار

"Item → Trigger → Event → Action → Operation → Media Type → Recipient"

اگر در هر مرحله Configuration ناقص باشد، ممکن است Problem در Dashboard دیده شود ولی پیامی ارسال نشود.

بنابراین تست Alerting باید End-to-End باشد، نه صرفاً تست SMTP یا Webhook.

Action را براساس Tag طراحی کنید

یک Action عمومی برای تمام Problemها به‌سرعت غیرقابل مدیریت می‌شود.

نمونه طراحی:

"team: network"

ارسال برای تیم شبکه

"team: system"

ارسال برای مدیران Windows و Linux

"service: database"

ارسال برای DBA

"env: production"

فعال‌شدن Escalation کامل

"env: test"

فقط ثبت در Dashboard یا Ticket با اولویت پایین

ترکیب Tag و Severity امکان Routing دقیق هشدارها را فراهم می‌کند.

Escalation چندمرحله‌ای

نمونه‌ای برای Problem با Severity بالا:

مرحله اول — دقیقه صفر

• ارسال Telegram یا پیام فوری به تیم مسئول

• ایجاد Ticket

• درج Host، Service، Severity و زمان شروع

مرحله دوم — پس از ۱۰ دقیقه

اگر Problem هنوز باز است:

• ارسال مجدد به On-Call Engineer

• افزایش اولویت Ticket

مرحله سوم — پس از ۲۰ دقیقه

اگر Problem Acknowledge نشده است:

• اطلاع به سرپرست فنی

• افزودن مالک سرویس

مرحله چهارم — پس از ۳۰ دقیقه

اگر سرویس حیاتی همچنان Down است:

• اطلاع به Incident Manager

• آغاز Major Incident Process

Escalation نباید فقط پیام یکسان را تکرار کند؛ در هر مرحله باید مسئولیت یا سطح واکنش تغییر کند.

Acknowledge چه معنایی دارد؟

Acknowledge یعنی فردی اعلام کرده Problem را دیده و مسئولیت بررسی آن آغاز شده است.

یک Acknowledge مفید باید شامل این موارد باشد:

• نام مسئول

• زمان شروع بررسی

• توضیح اولیه

• شماره Ticket

• اقدام انجام‌شده

• زمان بررسی بعدی

Acknowledge به معنای حل مشکل نیست. Problem تا زمان Recovery یا بسته‌شدن کنترل‌شده همچنان باز است.

پیام هشدار باید قابل اقدام باشد

پیام ضعیف:

"High CPU on Server01"

پیام حرفه‌ای‌تر:

"PROBLEM | High | Server01 | CPU average above 90% for 10 minutes | Current: 96% | Service: ERP | Site: HQ | Started: 14:32 | Runbook: <URL>"

اطلاعات ضروری:

☑️ وضعیت Problem یا Recovery

☑️ Host و Site

☑️ Service یا Component

☑️ Severity

☑️ زمان شروع

☑️ مقدار فعلی

☑️ مدت مشکل

☑️ Event ID

☑️ لینک مستقیم Problem

☑️ Runbook یا اقدام اولیه

☑️ شماره Ticket در صورت وجود

از ارسال Password، Community، PSK، Token یا اطلاعات حساس در پیام جلوگیری کنید.

Problem و Recovery باید واضح باشند

برای جلوگیری از ابهام، ابتدای پیام مشخص باشد:

"🔴 PROBLEM"

"🟢 RECOVERY"

"🟡 UPDATE"

Recovery Message بهتر است شامل این موارد باشد:

• زمان بازیابی

• مدت Incident

• مقدار فعلی

• وضعیت نهایی

• Event ID

• Ticket مرتبط

اگر فقط Problem ارسال شود و Recovery وجود نداشته باشد، تیم نمی‌داند سرویس چه زمانی به حالت عادی بازگشته است.

Media Type مناسب

📧 Email

مناسب گزارش، هشدارهای غیرلحظه‌ای و ثبت رسمی

📱 Telegram یا پیام‌رسان

مناسب هشدار سریع تیم عملیاتی

🎫 Ticketing System

مناسب مالکیت، SLA، پیگیری و گزارش Incident

📞 SMS یا تماس

مناسب رخدادهای Critical و زمانی که اینترنت سازمانی در دسترس نیست

🔗 Webhook

مناسب اتصال به ابزارهایی مانند GLPI، Jira، ServiceNow، Teams یا سامانه‌های سفارشی

برای سرویس‌های حیاتی بهتر است فقط به یک مسیر وابسته نباشیم. اگر اینترنت قطع شود، Telegram یا Email اینترنتی نیز ممکن است کار نکند.

زمان‌بندی و On-Call

برای هر کاربر یا تیم مشخص کنید:

• چه روزهایی فعال است؟

• در چه ساعتی پیام دریافت می‌کند؟

• چه Severityهایی برای او ارسال شوند؟

• مسیر اصلی و پشتیبان چیست؟

• در صورت عدم پاسخ چه کسی جایگزین است؟

ارسال تمام هشدارها به همه افراد، نشانه پوشش بهتر نیست؛ نشانه نبود Routing و Ownership است.

تست‌هایی که باید انجام شوند

☑️ ایجاد Problem آزمایشی

☑️ دریافت پیام اولیه

☑️ بررسی Macroهای پیام

☑️ Acknowledge

☑️ اجرای Escalation

☑️ ایجاد Ticket

☑️ ارسال Recovery

☑️ تست Maintenance

☑️ تست خرابی Media Type

☑️ تست خارج از ساعت کاری

☑️ ثبت نتیجه در Runbook

Alerting باید پس از هر تغییر مهم، Upgrade یا تغییر Credential دوباره آزمایش شود.

شاخص‌های مهم

• درصد Notificationهای موفق

• زمان رسیدن پیام

• MTTA

• زمان Acknowledge

• تعداد Escalationها

• هشدارهای بدون مالک

• Ticketهای تکراری

• Problemهای بدون Recovery

• نرخ خطای Webhook یا SMTP

• Incidentهای کشف‌شده توسط کاربران پیش از Zabbix

آخرین شاخص بسیار مهم است: اگر کاربران زودتر از سامانه مانیتورینگ مشکل را گزارش می‌کنند، پوشش یا Alerting نیاز به بازطراحی دارد.

🎯 جمع‌بندی

هدف Notification ارسال بیشترین پیام نیست؛ رساندن اطلاعات قابل اقدام به فرد مسئول، در زمان مناسب و از مسیر قابل اعتماد است.

Trigger مشکل را تشخیص می‌دهد، اما Action، Media Type و Escalation تعیین می‌کنند سازمان چگونه به آن واکنش نشان دهد.

در قسمت بعد وارد مانیتورینگ سرویس‌های Enterprise می‌شویم:

🔜 مانیتورینگ حرفه‌ای Windows Server؛ از CPU و Service تا Event Log، Certificate، DNS و DHCP