threadnet-operating/monitoring/prometheus/alerts.yml

# Alert-Regeln (gitops#32). Bewusst wenige, dafuer die real erlebten Fehlerklassen:
# - TargetDown: "Exporter/Dienst tot und keiner merkt es" (coturn-Klasse)
# - KubePodRestartLoop: Crashloops im k3s-Cluster (36k-coturn-Restarts-Klasse)
# - HostOom/HostLowMemory/HostLowDisk/HostHighSwap: Ressourcendruck der Hosts
groups:
  - name: axion-basics
    rules:
      - alert: TargetDown
        expr: up == 0
        for: 5m
        labels:
          severity: critical
        annotations:
          summary: "Target {{ $labels.job }}/{{ $labels.instance }} ist seit 5m nicht erreichbar"

      - alert: KubePodRestartLoop
        expr: increase(kube_pod_container_status_restarts_total[1h]) > 3
        for: 10m
        labels:
          severity: warning
        annotations:
          summary: "Pod {{ $labels.namespace }}/{{ $labels.pod }} restartet wiederholt ({{ $value | printf \"%.0f\" }}x in 1h)"

      - alert: HostOomKill
        expr: increase(node_vmstat_oom_kill[15m]) > 0
        labels:
          severity: warning
        annotations:
          summary: "OOM-Kill auf {{ $labels.instance }}"

      - alert: HostLowMemory
        expr: node_memory_MemAvailable_bytes / node_memory_MemTotal_bytes < 0.08
        for: 15m
        labels:
          severity: warning
        annotations:
          summary: "{{ $labels.instance }}: <8% RAM verfuegbar seit 15m"

      - alert: HostHighSwap
        expr: (node_memory_SwapTotal_bytes - node_memory_SwapFree_bytes) / node_memory_SwapTotal_bytes > 0.5
        for: 30m
        labels:
          severity: warning
        annotations:
          summary: "{{ $labels.instance }}: >50% Swap in Nutzung seit 30m"

      - alert: HostLowDisk
        expr: node_filesystem_avail_bytes{mountpoint="/",fstype!~"tmpfs|overlay"} / node_filesystem_size_bytes{mountpoint="/",fstype!~"tmpfs|overlay"} < 0.10
        for: 15m
        labels:
          severity: critical
        annotations:
          summary: "{{ $labels.instance }}: <10% Platz auf / frei"

  # CVE-Pipeline (gitops#47): Funde aus den Trivy-Scans. Pflichtfelder je Alarm:
  # CVE-ID, Mitigation (Fix-Version + NVD-Link), Ort (host), Typ (target_type);
  # der Zeitstrahl kommt aus trivy_vuln_first_seen_timestamp + resolved-Edit.
  # Alle Regeln routen per room-Label in den Security-Raum.
  - name: axion-cve
    rules:
      # Aggregiert pro Image statt pro CVE (gitops#51, Entscheidung sorb
      # 2026-08-01): ~1000 Einzelalarme waeren Rauschen; die menschlich
      # handhabbare Einheit ist "Image X hat N kritische CVEs". Die
      # CVE-Details (Pflichtfelder) liegen im Grafana-Dashboard cve-overview,
      # die trivy_vuln_info-Einzelserien bleiben dafuer erhalten.
      - alert: TrivyCriticalVulns
        expr: count by (target, target_type, host) (trivy_vuln_info{severity="CRITICAL"}) > 0
        labels:
          severity: critical
          room: security
        annotations:
          summary: "{{ $labels.target }} [{{ $labels.target_type }}@{{ $labels.host }}]: {{ $value }} CRITICAL-CVEs — Details: https://selendis.axion1337.de/d/cve-overview"
      - alert: TrivyHighVulns
        expr: count by (target, target_type, host) (trivy_vuln_info{severity="HIGH"}) > 0
        for: 24h
        labels:
          severity: warning
          room: security
        annotations:
          summary: "{{ $labels.target }} [{{ $labels.target_type }}@{{ $labels.host }}]: {{ $value }} HIGH-CVEs (seit 24h offen) — Details: https://selendis.axion1337.de/d/cve-overview"
      - alert: TrivyScanStale
        expr: time() - trivy_last_scan_timestamp > 172800
        labels:
          severity: warning
          room: security
        annotations:
          summary: "CVE-Scan fuer {{ $labels.target }} ist aelter als 2 Tage — Scanner pruefen (ein still gestorbener Scanner macht blind)"
      # TrivyScanStale hat eine Blindstelle, die es prinzipiell nicht schliessen
      # kann: ein Target OHNE je erfolgreichen Bericht hat gar keine Serie, an der
      # 'time() - ...' haengen koennte. Es bleibt also still. Die beiden Regeln
      # darunter fangen die zwei Faelle ab, die dahinterstecken.
      - alert: TrivyReportUnreadable
        expr: trivy_report_read_errors > 0
        for: 30m
        labels:
          severity: warning
          room: security
        annotations:
          summary: "{{ $value }} CVE-Bericht(e) sind seit 30 min unlesbar — die betroffenen Targets werden NICHT ausgewertet und faellt sonst niemandem auf"
      - alert: TrivyNoReports
        expr: trivy_reports_total == 0
        for: 1h
        labels:
          severity: critical
          room: security
        annotations:
          summary: "Der CVE-Exporter findet ueberhaupt keine Berichte mehr — der Scanner liefert nichts, die Schwachstellen-Sicht ist blind"

  # Sicherungen (management #0030). Bis 2026-08-14 gab es hierzu KEINE Regel: ein
  # fehlgeschlagenes naechtliches Backup waere unbemerkt geblieben - genau der stille
  # Ausfall, den das Issue beschreibt. Metriken kommen aus kube-state-metrics im
  # Matrix-Cluster (Alloy -> remote_write, kube_job_*/kube_cronjob_* passieren den
  # Filter, der nur go_.*|process_.* verwirft).
  - name: axion-backup
    rules:
      # Ein Backup- oder Probe-Job ist fehlgeschlagen.
      - alert: BackupJobFailed
        expr: max by (namespace, job_name) (kube_job_status_failed{job_name=~"(synapse|authentik|wikijs)-backup.*|restore-drill.*"}) > 0
        for: 15m
        labels:
          severity: critical
        annotations:
          summary: "Backup-Job {{ $labels.namespace }}/{{ $labels.job_name }} ist fehlgeschlagen — ohne Sicherung ist der naechste Ausfall ein Datenverlust"

      # Der CronJob plant gar nicht mehr (ausgesetzt, geloescht, Cluster-Problem).
      # 26h Toleranz fuer die taeglichen Laeufe um 03:00/03:15/03:30.
      # Fallback auf die Anlagezeit: ein frisch (neu) angelegter CronJob hat noch
      # keine last_schedule_time-Serie - ein Ausdruck ueber eine fehlende Serie
      # liefert nichts, der Alarm koennte also nie feuern. max by(...) fasst beide
      # Metriken zu EINER Serie je CronJob zusammen; ohne das wuerde die nie
      # aktualisierte created-Serie nach Ablauf der Frist dauerhaft falsch feuern
      # ('or' matcht inkl. __name__, ergibt also eine Vereinigung beider Serien).
      - alert: BackupNotRunning
        expr: time() - max by (namespace, cronjob) (kube_cronjob_status_last_schedule_time{cronjob=~"(synapse|authentik|wikijs)-backup"} or kube_cronjob_created{cronjob=~"(synapse|authentik|wikijs)-backup"}) > 93600
        labels:
          severity: critical
        annotations:
          summary: "Seit ueber 26h kein Lauf von {{ $labels.cronjob }} — CronJob ausgesetzt oder verschwunden?"

      # Die monatlichen Restore-Proben laufen nicht mehr - restore-drill (Datenbanken)
      # und restore-drill-media (Synapse-Medien). Praefix-Matcher und cronjob-Name in der
      # Meldung, sonst sagt der Alarm nicht, WELCHE Probe steht. Eine Sicherung, die nie
      # zurueckgespielt wurde, ist eine Vermutung — deshalb ist auch das Ausbleiben
      # der PRUEFUNG ein Alarm, nicht nur ihr Fehlschlag. 40 Tage = Monatsrhythmus + Puffer.
      # Bis zum ersten REGULAEREN Lauf gibt es keine last_schedule_time-Serie (ein
      # manuell ausgeloester Job setzt sie nicht) - ohne Fallback waere dieser
      # Alarm bis dahin blind. Gleiche max-by-Konstruktion wie oben.
      - alert: RestoreDrillStale
        expr: time() - max by (namespace, cronjob) (kube_cronjob_status_last_schedule_time{cronjob=~"restore-drill.*"} or kube_cronjob_created{cronjob=~"restore-drill.*"}) > 3456000
        labels:
          severity: warning
        annotations:
          summary: "{{ $labels.cronjob }} seit ueber 40 Tagen nicht gelaufen — Wiederherstellbarkeit ist wieder unbewiesen (Verfahren: notfallhandbuch)"

      # Ein Backup-CronJob existiert gar nicht mehr (geloescht, Kustomization
      # entfernt, Namespace weg). Bei den Alarmen oben verschwindet dann die
      # Serie - und eine verschwundene Serie ist in Prometheus kein Alarm,
      # sondern Stille. Genau das war der Fehler, den dieses Regelwerk
      # verhindern soll, also ist das Fehlen selbst der Alarm.
      # for: 30m puffert kurze Luecken der Metrik-Pipeline ab.
      - alert: BackupCronJobMissing
        expr: >-
          absent(kube_cronjob_info{namespace="matrix", cronjob="synapse-backup"})
          or absent(kube_cronjob_info{namespace="matrix", cronjob="wikijs-backup"})
          or absent(kube_cronjob_info{namespace="authentik", cronjob="authentik-backup"})
          or absent(kube_cronjob_info{namespace="matrix", cronjob="restore-drill"})
          or absent(kube_cronjob_info{namespace="matrix", cronjob="restore-drill-media"})
        for: 30m
        labels:
          severity: critical
        annotations:
          summary: "Ein Backup-/Probe-CronJob fehlt im Cluster — Sicherung oder Wiederherstellungs-Nachweis laeuft nicht mehr"

      # Die Alarmkette meldet ihr eigenes Reissen. Ironie inklusive: schlaegt die
      # Zustellung komplett fehl, kommt auch dieser Alarm nicht an - er ist dann
      # aber in Prometheus/Grafana sichtbar, statt dass gar nichts existiert.
      # Teilausfaelle (ein Receiver von mehreren, Rate-Limit 429) meldet er sauber.
      - alert: AlertDeliveryFailing
        expr: increase(alertmanager_notifications_failed_total[15m]) > 0
        labels:
          severity: critical
        annotations:
          summary: "Alertmanager konnte Benachrichtigungen nicht zustellen ({{ $labels.integration }}) — Alarme laufen ins Leere"