第一章：Golang基础设施日志采集链路断层诊断总览
在现代云原生架构中，Golang服务常作为高并发API网关、微服务组件或数据处理管道的核心载体。其日志输出默认仅写入标准输出（stdout），而生产环境依赖统一日志采集系统（如Filebeat → Logstash → Elasticsearch 或 Fluent Bit → Loki）完成结构化归集与可观测分析。当监控告警显示某服务日志“消失”或“延迟突增”，往往并非日志未生成，而是采集链路中存在隐性断层——常见于容器运行时日志驱动配置、采集器文件路径匹配、日志格式解析规则、时间戳提取失败或缓冲区溢出等环节。
典型断层位置包括：
- 容器层：Docker/K8s Pod未启用
json-file日志驱动，或max-size/max-file限制导致日志轮转后被采集器遗漏 - 采集层：Filebeat
paths配置未覆盖/var/log/containers/*.log或容器内挂载的自定义日志路径 - 解析层：Golang应用输出非JSON格式日志（如
log.Printf("req=%s, status=%d", reqID, code)），而Logstash filter未配置grok模式匹配
快速验证采集连通性可执行以下命令（以Kubernetes环境为例）：
# 1. 查看Pod实际日志输出是否可见（确认应用层无panic或静默失败）
kubectl logs <pod-name> -n <namespace>
# 2. 检查容器内部日志文件是否存在且可读（验证挂载与权限）
kubectl exec <pod-name> -n <namespace> -- ls -l /app/logs/access.log
# 3. 登录采集器所在节点，确认Filebeat是否捕获到该文件变更事件
sudo filebeat test config && sudo filebeat test output关键诊断原则：日志必须从应用写出、经容器运行时持久化、被采集器实时发现、成功解析为结构字段、最终写入目标存储。任一环节缺失元数据（如@timestamp为空）、出现drop_event日志或采集器harvester状态停滞，即构成链路断层。建议在Golang服务启动时注入结构化日志初始化代码，强制输出带RFC3339时间戳的JSON行：
// 初始化标准日志为JSON格式（兼容采集器时间戳提取）
log.SetOutput(os.Stdout)
log.SetFlags(0) // 禁用默认前缀，避免干扰解析
log.Printf(`{"level":"info","ts":"%s","msg":"service started"}`, time.Now().UTC().Format(time.RFC3339))第二章：Zap日志编码器层的丢日志风险与实证分析
2.1 Zap Encoder配置陷阱：结构化字段丢失与缓冲区溢出实测
Zap 默认的 json.Encoder 在高并发日志写入时，若未显式配置 EncoderConfig.EncodeLevel 和 EncodeTime，会导致结构化字段（如 user_id, request_id）被扁平化为字符串而丢失嵌套语义。
字段丢失复现代码
cfg := zap.NewProductionEncoderConfig()
cfg.EncodeLevel = zapcore.LowercaseLevelEncoder // 必须显式设置
cfg.TimeKey = "ts"
encoder := zapcore.NewJSONEncoder(cfg)此处
EncodeLevel缺失将导致 level 被序列化为"level":"info"（字符串），而非"level": {"level":"info"}结构体；TimeKey若未设，时间字段名默认为"time"但格式不可控，影响下游解析一致性。
缓冲区溢出临界点测试（10k/s 日志压测）
| 并发数 | 字段数 | 单条日志大小 | 触发 panic 频次 |
|---|---|---|---|
| 50 | 8 | 320 B | 0 |
| 200 | 16 | 960 B | 3/10000 |
graph TD
A[NewJSONEncoder] --> B{Buffer size < 1KB?}
B -->|Yes| C[Write to pool.BytesBuffer]
B -->|No| D[Panic: buffer overflow]核心风险在于 zapcore.Buffer 默认复用池上限为 1KB，超长结构化日志直接触发 runtime.throw("buffer overflow")。
2.2 同步/异步Writer切换导致的日志截断与竞态复现
数据同步机制
日志写入器（LogWriter）在运行时可动态切换同步（SyncWriter）与异步（AsyncWriter）模式，切换通过原子标志位 writerMode 控制。但该切换未对正在执行的 Write() 调用做临界区保护。
竞态触发路径
- 主线程调用
SetMode(ASYNC) - 此时
SyncWriter::Write()正在刷盘，缓冲区buf[4096]已填充 3821 字节 - 异步线程立即接管并重置缓冲区指针 → 截断未完成写入
// 关键切换逻辑（存在TOCTOU漏洞）
void LogWriter::SetMode(WriterMode mode) {
mode_.store(mode, std::memory_order_relaxed); // ❌ 缺少写屏障+等待
if (mode == ASYNC && sync_writer_busy_.load()) {
// 无等待：未阻塞仍在执行的sync write
buffer_.clear(); // ⚠️ 危险清空！
}
}
sync_writer_busy_仅在进入/退出Write()时原子更新，但无 acquire-release 配对，导致内存重排后buffer_.clear()可能提前执行于write(fd, buf, len)完成前。
截断概率对比（10万次压测）
| 场景 | 截断发生率 | 平均丢失字节数 |
|---|---|---|
| 无屏障切换 | 12.7% | 1842 |
加 std::atomic_thread_fence(memory_order_acquire) |
0.003% | 11 |
graph TD
A[主线程 SetModeASYNC] --> B{sync_writer_busy_ == true?}
B -->|Yes| C[buffer_.clear\(\)]
B -->|No| D[启动AsyncFlushLoop]
C --> E[Write系统调用仍在进行中]
E --> F[部分数据被覆盖/丢弃]2.3 自定义Encoder中时间戳、采样率、上下文注入引发的静默丢弃
当自定义 Encoder 在实时音频处理链路中注入非对齐时间戳或未校验采样率时，底层 FFmpeg 或 libavcodec 可能触发静默丢弃（silent drop）——既不报错也不输出帧。
数据同步机制
Encoder 依赖 AVFrame.pts 与 AVCodecContext.time_base 严格匹配。若注入的 pts 未按 1/sample_rate 步进，或 time_base 被误设为 1/1000（毫秒级），会导致 pts/dts 计算溢出，触发 avcodec_send_frame() 返回 AVERROR(EINVAL) 并被上层静默吞没。
关键参数校验清单
- ✅
frame->sample_rate == codec_ctx->sample_rate - ✅
frame->pts为单调递增整数，步长 =AV_TIME_BASE / sample_rate - ❌ 禁止在
frame->pts中混入系统毫秒时间戳
典型错误代码示例
// 错误：直接使用系统毫秒时间戳注入
frame->pts = av_gettime_ms(); // ⚠️ 单位错、未归一化
frame->time_base = (AVRational){1, 1000}; // ⚠️ 与 audio time_base 不匹配逻辑分析：
av_gettime_ms()返回绝对毫秒值，而AVFrame.pts要求以time_base为单位的相对时间戳；此处time_base设为1/1000，但codec_ctx->time_base实际为1/48000（48kHz），导致 pts 换算后远超int64_t容量，触发内部丢弃。
静默丢弃判定流程
graph TD
A[调用 avcodec_send_frame] --> B{PTS 是否在合理范围？}
B -->|否| C[返回 AVERROR_INVALIDDATA]
B -->|是| D{PTS 是否单调递增？}
D -->|否| E[返回 AVERROR_INVALIDDATA]
D -->|是| F[编码成功]
C --> G[上层忽略错误码 → 静默丢弃]
E --> G2.4 Zap Core生命周期管理缺陷：Logger复用与Close时机不当的内存泄漏式丢日志
Zap 的 Core 是日志输出的底层引擎，其生命周期若未与 Logger 严格对齐，将触发双重危害：内存泄漏 + 异步缓冲区日志静默丢失。
核心问题链
Logger被复用（如全局变量、单例注入）但底层Core已被Close()Core.Close()后仍接收日志条目 →core.Write()返回err，但 Zap 默认静默吞掉错误- 异步
WriteSync()队列中的日志因core失效而永久滞留于 channel，goroutine 阻塞不退出
典型误用代码
func badLoggerLifecycle() *zap.Logger {
core := zapcore.NewCore(encoder, writer, level)
logger := zap.New(core) // 绑定 core
core.Close() // ⚠️ 过早关闭！后续 logger.Warn() 将丢日志
return logger
}分析：
core.Close()清空内部sync.Pool并关闭writeSyncer，但logger无感知；后续调用logger.Warn("x")触发core.Write()，返回io.ErrClosedPipe，Zap 在writeLoop中忽略该错误，日志彻底消失。
关键参数行为对照表
| 参数/行为 | core.Close() 前 |
core.Close() 后 |
|---|---|---|
core.Write() |
正常写入并返回 nil | 返回 io.ErrClosedPipe |
logger.Sync() |
成功刷盘 | 立即返回 io.ErrClosedPipe |
| 内存占用 | 可回收 | writeLoop goroutine 持有 channel 引用，泄漏 |
正确释放路径
graph TD
A[Logger 创建] --> B[Core 初始化]
B --> C[业务中持续 Write]
C --> D{资源释放时机？}
D -->|依赖 Logger 生命周期| E[Logger.Sync() + logger.Core().Close()]
D -->|错误时机| F[提前 Close Core → 丢日志+泄漏]2.5 Level过滤与Hook链断裂：从Debug日志消失到Error未上报的全链路追踪实验
当全局日志级别设为 WARN，DEBUG 日志被 Level 过滤器静默丢弃——看似合理，却掩盖了 Hook 链中关键环节的异常中断。
日志门控失效场景
LoggerFactory.getLogger(MyService.class)
.debug("DB query took {}ms", duration); // ← 此行永不输出，且不触发 MDC 清理 Hook该 debug() 调用在 LevelFilter 中直接返回，跳过后续 Appender、MDC 清理及自定义 TurboFilter 链。关键副作用：MDC 上下文未被清理，导致后续请求日志污染。
Hook 链断裂路径
graph TD
A[log.debug] --> B{LevelFilter<br>level < WARN?}
B -- Yes --> C[RETURN; 链终止]
B -- No --> D[Appender.doAppend]
D --> E[MDC.clear Hook]
E --> F[CustomMetricsHook]关键参数影响对照表
| 参数 | 默认值 | 影响范围 | 断裂风险 |
|---|---|---|---|
root.level |
INFO |
全局门控 | ⚠️ 高（跳过全部低级日志及关联 Hook） |
turboFilter.chain |
[] |
动态过滤链 | ✅ 可绕过 Level 过滤执行清理逻辑 |
- 修复方案：将 MDC 清理逻辑移至
ServletFilter#doFilter或@AfterReturning切面 - 根本原则：日志级别不应耦合资源生命周期管理
第三章：Promtail客户端侧采集断层根因定位
3.1 文件尾部监控（tailer）的inode重用与日志轮转丢失问题验证
数据同步机制
tail -f 类工具依赖 inotify 或轮询 stat() 检测文件变更，但日志轮转（如 logrotate）常通过 rename() 或 copytruncate 实现——不改变原文件 inode，或创建新 inode 后删除旧文件。当新日志文件复用已释放的 inode 号时，tailer 误判为“同一文件续写”，跳过新增内容。
复现关键步骤
- 启动
tail -F /var/log/app.log（跟踪文件名，非 inode） - 执行
logrotate -f /etc/logrotate.d/app（默认copytruncate） - 观察 tail 输出是否中断或跳过首几行
inode 重用验证脚本
# 获取当前文件 inode 并触发轮转
INODE=$(stat -c "%i" /var/log/app.log)
logrotate -f /etc/logrotate.d/app
sleep 1
NEW_INODE=$(stat -c "%i" /var/log/app.log)
echo "原 inode: $INODE, 新 inode: $NEW_INODE"
stat -c "%i"提取 inode 号；logrotate后若$INODE == $NEW_INODE，表明copytruncate复用 inode，tailer 将无法感知“新文件诞生”，导致后续写入被静默丢弃。
典型行为对比表
| 轮转方式 | inode 变化 | tail -F 是否可靠 | 原因 |
|---|---|---|---|
copytruncate |
不变 | ❌ | 文件句柄仍指向旧数据区 |
rename |
改变 | ✅（需 -F） | -F 自动 re-open 新文件 |
graph TD
A[启动 tail -F] --> B{检测 /var/log/app.log}
B --> C[open() → fd 指向 inode X]
C --> D[logrotate copytruncate]
D --> E[truncate 原文件，inode X 未变]
E --> F[tail 继续 read() → 从 offset 续读]
F --> G[新写入被覆盖/跳过 → 日志丢失]3.2 Promtail relabel_configs误配导致标签归零与流匹配失败实战排查
数据同步机制
Promtail 通过 relabel_configs 在日志采集阶段动态改写或丢弃标签。若规则顺序不当或 action: drop 误用，会导致关键标签（如 job、filename）被清空，进而使 Loki 流选择器（如 {job="nginx"}）无法匹配任何流。
典型错误配置
- source_labels: [__path__]
target_label: job
replacement: "nginx" # ✅ 正确赋值
- action: drop
regex: ".*error.*"
source_labels: [__line__] # ❌ 错误：此 rule 会丢弃整条日志及关联标签逻辑分析：
drop动作不仅过滤日志行，还会使该日志条目在 relabel 阶段“提前终止”，后续所有标签重写（包括job）均不生效，最终该条日志以空标签集（{}）发送至 Loki，流匹配失败。
排查验证表
| 现象 | 根本原因 | 修复方式 |
|---|---|---|
Loki 中无 job 标签流 |
drop 规则位于标签赋值前 |
调整顺序，或改用 action: labeldrop |
标签生命周期流程
graph TD
A[原始日志行] --> B[解析 __path__/__line__]
B --> C[执行 relabel_configs]
C --> D{action == drop?}
D -->|是| E[丢弃整条日志 → 标签归零]
D -->|否| F[继续应用后续规则 → 标签保留/重写]
F --> G[发送至 Loki]3.3 HTTP批发送超时、重试退避与Loki接收窗口不一致引发的批量丢弃复现
数据同步机制
客户端采用 batch_size=100 + timeout=5s 批量推送日志至 Loki，启用指数退避重试（初始 100ms，最大 2s）。
关键参数冲突
| 组件 | 配置值 | 影响 |
|---|---|---|
| 客户端 | http.timeout=5s |
单批请求超时阈值 |
| Loki | -server.graceful-shutdown-timeout=1s |
实际接收窗口 ≤1s |
复现场景流程
graph TD
A[客户端发起 batch-1] --> B{Loki 接收耗时 1.2s}
B --> C[返回 408 或 503]
C --> D[客户端按 100ms 重试]
D --> E[Loki 再次拒绝：窗口已关闭]
E --> F[整批 100 条日志被静默丢弃]退避逻辑示例
import time
def backoff(attempt):
# 指数退避：100ms × 2^attempt，上限 2000ms
return min(100 * (2 ** attempt), 2000) / 1000 # 单位：秒
# attempt=0 → 0.1s；attempt=4 → 1.6s；attempt=5 → 2.0s该退避策略未感知 Loki 实际接收窗口收缩，导致重试请求持续撞在关闭窗口上，触发批量丢弃。
第四章：Loki服务端与Grafana Query层的隐性日志黑洞
4.1 Loki ingester WAL损坏与chunk压缩异常：从日志写入成功到查询不可见的断层溯源
WAL写入成功但数据不可查的典型链路
Loki ingester 接收日志后先写 WAL（预写日志），再异步 flush 到 chunk 存储。若 WAL 文件损坏或 chunk 压缩中途失败，会导致“写入成功→查询无结果”的语义断层。
数据同步机制
WAL 持久化依赖 wal_dir 配置，而 chunk 压缩由 chunk_encoding 和 max_chunk_age 控制：
# loki.yaml 片段
ingester:
wal:
dir: /data/loki/wal # 必须为独立、高可靠存储
chunk_idle_period: 3m
chunk_retain_period: 1m
chunk_idle_period决定空闲 chunk 触发压缩时机；chunk_retain_period影响内存中 chunk 生命周期。若 WAL 所在磁盘出现静默错误（如 ext4 journal corruption），ingester 可能误判 flush 成功，但实际未持久化有效 chunk 元数据。
异常传播路径
graph TD
A[HTTP POST 日志] --> B[WAL append sync]
B --> C{WAL fsync OK?}
C -->|Yes| D[内存 chunk 构建]
C -->|No| E[WriteError → 500]
D --> F[压缩器触发]
F --> G{Zstd compress OK?}
G -->|No| H[chunk 标记 corrupted → 跳过索引]关键诊断参数对比
| 参数 | 正常值 | 异常表现 | 影响 |
|---|---|---|---|
ingester_chunks_flushed_total |
持续递增 | 停滞或突降 | chunk 未落盘 |
loki_ingester_wal_fsync_duration_seconds_count |
≥99% success | fsync 失败率 >1% |
WAL 持久性失效 |
实际案例中，NVMe SSD 的 firmware bug 曾导致
fsync返回 0 但数据未刷盘，需配合fio --fsync=1验证底层可靠性。
4.2 Distributor限流策略（如per-user rate limit）触发的静默429丢弃与指标反查方法
Distributor 在启用 per-user rate limit 后，对超限请求默认执行静默丢弃（no response sent），不返回 429 Too Many Requests，导致客户端无法感知限流发生。
静默丢弃的根源
- 限流器（如
rate.Limiter）仅标记拒绝，Distributor 的handleRequest路径中未显式写入 HTTP 状态码； - 日志级别默认为
debug，生产环境常关闭，造成可观测性黑洞。
指标反查关键路径
// metrics.go: 注册限流拒绝计数器
reg.MustRegister(prometheus.NewCounterVec(
prometheus.CounterOpts{
Name: "cortex_distributor_per_user_rate_limit_rejections_total",
Help: "Total number of per-user rate limit rejections.",
},
[]string{"user"}, // 核心维度：精准定位违规租户
))该指标在
distributor/limiter.go的CheckRateLimit()中递增；user标签来自X-Scope-OrgID或 JWT 声明，是反查唯一锚点。
反查操作清单
- ✅ 查询
cortex_distributor_per_user_rate_limit_rejections_total{user=~"dev-.*"} > 0 - ✅ 关联
cortex_distributor_received_samples_total{user="dev-abc"}判断是否突发写入 - ❌ 依赖 access log —— 静默丢弃请求无日志记录
指标关联表（关键标签组合）
| Metric | Label Set | 用途 |
|---|---|---|
cortex_distributor_per_user_rate_limit_rejections_total |
{user="prod-xyz"} |
定位违规租户 |
cortex_distributor_http_request_duration_seconds_count |
{code="429", user="prod-xyz"} |
为空 → 验证静默性 |
graph TD
A[HTTP Request] --> B{Per-User Limiter}
B -- Within limit --> C[Forward to Ingester]
B -- Exceeded --> D[Increment rejection counter]
D --> E[Drop request silently]
E --> F[No 429 response, no access log]4.3 Grafana Loki数据源配置中的time range偏移、step精度失配与label正则逃逸漏洞
time range偏移的隐式截断陷阱
Loki 查询中 from/to 时间戳若未对齐 Loki 的保留周期（如 72h），Grafana 会静默截断超出范围的请求，导致日志断层。需显式校验：
// 前端校验示例（Grafana 插件扩展）
const safeRange = {
from: Math.max(range.from, Date.now() - 72 * 60 * 60 * 1000),
to: Math.min(range.to, Date.now())
};Math.max/min 强制约束时间窗口在保留策略内，避免后端静默丢弃。
label 正则逃逸风险
在 labels 过滤器中直接拼接用户输入会导致正则注入：
| 输入值 | 实际匹配行为 | 风险等级 |
|---|---|---|
app=nginx |
精确匹配 | 安全 |
app=nginx.* |
匹配所有 nginx 开头 | 高危 |
step 精度失配的聚合失真
当 step=30s 但日志采样间隔为 1m，Loki 将重复填充或跳过区间，引发计数偏差。建议：
- 使用
rate()函数时，step≥ 日志最大间隔 × 2； - 在 Explore 中启用
Autostep 模式自动适配。
4.4 LogQL查询执行阶段的chunk裁剪、series合并阈值与backend缓存穿透导致的结果缺失验证
LogQL查询在Loki后端执行时，需经历三重关键过滤：chunk级裁剪、series合并阈值控制、以及缓存穿透校验。
Chunk裁剪机制
Loki对每个匹配series的chunk按时间范围预筛，跳过无交集chunk：
{job="api"} |~ "timeout" | __error__ = "" | __stream__ = "stderr"
// 实际执行中，chunk元数据（minTime/maxTime）被快速比对，仅加载[queryStart, queryEnd]交集非空的chunk
minTime/maxTime为chunk级索引字段，裁剪发生在querier内存中，避免I/O放大；若误设max_chunk_age（如30m），可能丢弃延迟写入的chunk。
Series合并阈值影响
当并发series超-querier.max-series-per-query=1000时，Loki主动截断并返回422 Unprocessable Entity，但部分客户端静默忽略错误响应。
Backend缓存穿透场景
下表对比三种缓存策略对结果完整性的影响：
| 策略 | 缓存键粒度 | 穿透风险点 | 是否触发chunk重载 |
|---|---|---|---|
| chunk-index cache | series+range | 新chunk未写入索引缓存 | ✅ |
| backend cache | series+hash | hash碰撞导致旧chunk覆盖 | ❌（返回脏数据） |
| result cache | query+params | 参数微变（如空格）不命中 | ✅（全量重查） |
graph TD
A[Query Received] --> B{Chunk Index Cache Hit?}
B -- No --> C[Load chunk list from backend]
B -- Yes --> D[Apply time-range裁剪]
D --> E{Series count > threshold?}
E -- Yes --> F[Truncate + warn]
E -- No --> G[Fetch & merge chunks]
G --> H[Return results]第五章：Golang基础设施日志可观测性体系重构建议
日志结构化与字段标准化实践
在某金融级支付网关重构中，团队将原fmt.Sprintf拼接的非结构化日志全面替换为zerolog，强制启用JSON输出，并定义核心字段规范：service_name（固定为payment-gateway-v2）、request_id（透传HTTP Header X-Request-ID）、span_id（OpenTelemetry注入）、level、timestamp（RFC3339纳秒精度）、event（语义化动作标识，如order_submitted/risk_rejected）。所有日志行均通过log.With().Str("event", "order_submitted").Int64("amount_cents", 129900).Bool("is_retry", false).Send()生成，确保ELK集群可直接解析为扁平化字段。
高频低价值日志熔断机制
针对订单查询接口每秒万级INFO日志导致ES写入瓶颈问题，引入动态采样策略：
GET /orders/{id}请求日志默认采样率设为0.05（5%）- 当
http_status_code == 200 && response_time_ms < 50时自动降为0.01 - 出现
5xx错误时立即提升至1.0并附加stacktrace
该策略通过zerolog.LevelHook实现，上线后日志量下降73%，而关键异常捕获率保持100%。
日志上下文链路增强方案
使用context.WithValue传递log.Ctx对象，在Gin中间件中注入链路ID：
func LogMiddleware() gin.HandlerFunc {
return func(c *gin.Context) {
reqID := c.GetHeader("X-Request-ID")
if reqID == "" {
reqID = uuid.New().String()
}
ctx := log.With().Str("request_id", reqID).Logger().WithContext(c.Request.Context())
c.Request = c.Request.WithContext(ctx)
c.Next()
}
}下游服务通过ctx.Value(log.CtxKey)提取上下文，避免跨服务日志割裂。
日志采集架构升级对比
| 组件 | 旧方案（Filebeat+Logstash） | 新方案（Vector+OTLP） | 改进点 |
|---|---|---|---|
| 吞吐能力 | 8k EPS | 42k EPS | Vector Rust引擎零GC开销 |
| 延迟 | P99: 1.2s | P99: 87ms | OTLP直连Loki，跳过Kafka层 |
| 资源占用 | 1.2GB内存/节点 | 320MB内存/节点 | 内存映射式日志读取 |
关键业务事件日志埋点清单
payment_processed：包含payment_id、acquirer_code、settlement_currencyfraud_decision_made：含risk_score（0-100）、rule_triggered（数组）、review_required（布尔）reconciliation_failed：附带expected_amount、actual_amount、diff_cents
所有事件均通过log.Event().Timestamp().Fields(...).Write()触发，确保原子性写入。
flowchart LR
A[Gin Handler] --> B{Log Middleware}
B --> C[Inject request_id & span_id]
C --> D[Business Logic]
D --> E[Structured Log Write]
E --> F[Vector Agent]
F --> G[OTLP Export to Loki]
F --> H[Metrics Export to Prometheus]
G --> I[Grafana Loki Query]
H --> J[Grafana Metrics Dashboard]日志告警规则实战配置
在Prometheus Alertmanager中定义high_error_rate规则：
- alert: HighPaymentErrorRate
expr: rate(payment_log_event_total{level="error", event="payment_processed"}[5m]) / rate(payment_log_event_total{event="payment_processed"}[5m]) > 0.03
for: 2m
labels:
severity: critical
annotations:
summary: "Payment error rate > 3% for 5 minutes"
description: "Current rate is {{ $value | humanize }}%"