feat(monitor): 1 分钟采集 + 连续 N 次异常才告警(去抖)

避免瞬时尖峰/部署窗口误报(此前 sing-box 部署期 activating 触发了一次误报)。
- 采集间隔 5min → 1min(MONITOR_INTERVAL_MIN=1)
- 新增 MONITOR_BREACH_RUNS=5:连续 5 次采样都异常才告警一次(状态存
  /var/lib/pangolin-monitor/breach_count);恢复后发一条恢复通知并清零
- 去掉 MONITOR_SEND_OK_PULSE(被去抖逻辑取代)
- 已在 racknerd 验证:连 4 次异常不报、恢复清零

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

deploy/bootstrap/bootstrap.env.example

@@ -23,9 +23,11 @@ TELEGRAM_BOT_TOKEN=""
 TELEGRAM_CHAT_ID=""
 # 本节点在告警里显示的名字
 NODE_NAME="racknerd-la"
-# 上报间隔(分钟)
-MONITOR_INTERVAL_MIN=5
-# 阈值(百分比);超过即告警
+# 采集间隔(分钟)
+MONITOR_INTERVAL_MIN=1
+# 连续几次采集都异常才告警(去抖)。间隔 1min × 5 次 = 持续 5 分钟异常才报。
+MONITOR_BREACH_RUNS=5
+# 阈值(百分比);超过即算一次异常采样
 CPU_ALERT_PCT=80
 MEM_ALERT_PCT=80
 DISK_ALERT_PCT=80
@@ -33,5 +35,3 @@ DISK_ALERT_PCT=80
 MONITOR_UNITS="sing-box pangolin-agent"
 # 出网连通探测目标
 MONITOR_NET_PROBE="https://www.cloudflare.com/cdn-cgi/trace"
-# 周期性"健康"心跳是否也推送(true=每次都报,false=仅异常时报)
-MONITOR_SEND_OK_PULSE=false

deploy/bootstrap/init.sh

@@ -34,13 +34,13 @@ FW_ALLOW_UDP="443"
 TELEGRAM_BOT_TOKEN=""
 TELEGRAM_CHAT_ID=""
 NODE_NAME="$(hostname)"
-MONITOR_INTERVAL_MIN=5
+MONITOR_INTERVAL_MIN=1
+MONITOR_BREACH_RUNS=5
 CPU_ALERT_PCT=80
 MEM_ALERT_PCT=80
 DISK_ALERT_PCT=80
 MONITOR_UNITS="sing-box pangolin-agent"
 MONITOR_NET_PROBE="https://www.cloudflare.com/cdn-cgi/trace"
-MONITOR_SEND_OK_PULSE=false
 
 if [ -f "$SCRIPT_DIR/bootstrap.env" ]; then
   log "读取配置 $SCRIPT_DIR/bootstrap.env"
@@ -199,7 +199,7 @@ MEM_ALERT_PCT=${MEM_ALERT_PCT}
 DISK_ALERT_PCT=${DISK_ALERT_PCT}
 MONITOR_UNITS="${MONITOR_UNITS}"
 MONITOR_NET_PROBE="${MONITOR_NET_PROBE}"
-MONITOR_SEND_OK_PULSE=${MONITOR_SEND_OK_PULSE}
+MONITOR_BREACH_RUNS=${MONITOR_BREACH_RUNS}
 MENV
   umask 022
   sed -e "s/__INTERVAL__/${MONITOR_INTERVAL_MIN}/g" \
@@ -207,7 +207,7 @@ MENV
   install -m 644 "$SCRIPT_DIR/monitor/pangolin-monitor.service" /etc/systemd/system/pangolin-monitor.service
   systemctl daemon-reload
   systemctl enable --now pangolin-monitor.timer >/dev/null
-  log "    监控已装:每 ${MONITOR_INTERVAL_MIN} 分钟上报;发送一条启动通知"
+  log "    监控已装:每 ${MONITOR_INTERVAL_MIN} 分钟采集,连续 ${MONITOR_BREACH_RUNS} 次异常才告警;发送一条启动通知"
   /usr/local/bin/pangolin-monitor --boot || true
 }
 

deploy/bootstrap/monitor/pangolin-monitor.sh

@@ -2,8 +2,9 @@
 # pangolin-monitor —— 节点自监控:采集 CPU/内存/磁盘/进程/网络,经 Telegram 上报。
 # 由 systemd timer 定期触发(见 pangolin-monitor.timer)。配置在 /etc/pangolin-monitor.env。
 #
-#   阈值越界 / 受监控单元掉线 / 出网不通 → 标 🔴 并必报;
-#   一切正常 → 🟢,是否推送由 MONITOR_SEND_OK_PULSE 决定(心跳)。
+#   阈值越界 / 受监控单元掉线 / 出网不通 = 一次"异常采样";
+#   连续 MONITOR_BREACH_RUNS 次异常才告警一次(去抖),恢复后发一条恢复通知。
+#   建议配合 1 分钟一次的 timer:连续 5 次 = 持续 5 分钟异常才报。
 #   --boot:发送一条"初始化完成"启动通知。
 #
 # 注意:节点宕机后无法自报("不上报"类告警)需在常在线主机上跑 deadman-watch.sh(见 README)。
@@ -17,7 +18,7 @@ ENV_FILE=/etc/pangolin-monitor.env
 : "${NODE_NAME:=$(hostname)}"
 : "${CPU_ALERT_PCT:=90}"; : "${MEM_ALERT_PCT:=90}"; : "${DISK_ALERT_PCT:=85}"
 : "${MONITOR_UNITS:=}"; : "${MONITOR_NET_PROBE:=https://www.cloudflare.com/cdn-cgi/trace}"
-: "${MONITOR_SEND_OK_PULSE:=true}"
+: "${MONITOR_BREACH_RUNS:=5}"   # 连续几次采样异常才告警(去抖)
 
 send_tg() {
   local text="$1"
@@ -73,21 +74,36 @@ main() {
   if curl -fsS --max-time 8 "$MONITOR_NET_PROBE" >/dev/null 2>&1; then net="ok"; else net="FAIL"; alert=1; fi
   lines+=("出网: ${net}")
 
-  local head body ts
+  local ts metrics l
   ts="$(date -u '+%Y-%m-%d %H:%M:%SZ')"
-  if $boot; then
-    head="🟢 [${NODE_NAME}] 初始化完成 / 监控已上线"
-  elif [ "$alert" -eq 1 ]; then
-    head="🔴 [${NODE_NAME}] 异常告警"
-  else
-    head="🟢 [${NODE_NAME}] 正常"
-  fi
-  body="${head}\n${ts}\n"
-  printf -v body '%s\n%s\n' "$head" "$ts"
-  local l; for l in "${lines[@]}"; do body+="${l}"$'\n'; done
+  metrics=""
+  for l in "${lines[@]}"; do metrics+="${l}"$'\n'; done
 
-  if $boot || [ "$alert" -eq 1 ] || [ "$MONITOR_SEND_OK_PULSE" = "true" ]; then
-    send_tg "$body"
+  # ── 去抖:每次采集,但连续 MONITOR_BREACH_RUNS 次异常才告警(避免瞬时尖峰/重启误报)──
+  local sdir=/var/lib/pangolin-monitor cntf alertedf cnt
+  mkdir -p "$sdir"
+  cntf="$sdir/breach_count"; alertedf="$sdir/alerted"
+
+  if $boot; then
+    send_tg "🟢 [${NODE_NAME}] 初始化完成 / 监控已上线"$'\n'"${ts}"$'\n'"${metrics}"
+    echo 0 > "$cntf"; rm -f "$alertedf"
+    return 0
+  fi
+
+  if [ "$alert" -eq 1 ]; then
+    cnt=$(( $(cat "$cntf" 2>/dev/null || echo 0) + 1 ))
+    echo "$cnt" > "$cntf"
+    # 达到连续阈值且尚未告警过 → 发一次(不重复刷屏)
+    if [ "$cnt" -ge "$MONITOR_BREACH_RUNS" ] && [ ! -f "$alertedf" ]; then
+      send_tg "🔴 [${NODE_NAME}] 异常告警(连续 ${cnt} 次采样异常)"$'\n'"${ts}"$'\n'"${metrics}"
+      touch "$alertedf"
+    fi
+  else
+    # 恢复:若此前已告警,发一条恢复通知
+    if [ -f "$alertedf" ]; then
+      send_tg "🟢 [${NODE_NAME}] 已恢复正常"$'\n'"${ts}"$'\n'"${metrics}"
+    fi
+    echo 0 > "$cntf"; rm -f "$alertedf"
   fi
   return 0
 }