云监控怎么配才有用:四类告警阈值设定思路

    发布时间:2026-10-30 08:06 更新时间:2026-10-30 08:06 阅读量:4

    不少站长在控制台里把云监控一开,CPU、内存、磁盘、带宽的告警全都勾上,默认阈值一提交就以为万事大吉。结果运行两周,手机每天响十几次:早上备份时磁盘IO飙一下、白天业务高峰CPU短暂冲到90%、夜里爬虫扫站带宽抖动一下——每条都通知,看多了就麻木,等到真正出现内存耗尽、磁盘写满的那次,反而被当成了又一次误报。云监控的价值不在于「有没有开」,而在于阈值定得是否贴近业务节奏。这篇文章把四类核心指标的告警设定思路拆开讲,顺带给出可落地的采集与规则配置,适合刚接手服务器的新手,也适合想把告警收敛下来的老运维。

    先想清楚告警要回答什么问题

    配置阈值之前,先给监控定三条规矩:告警要能对应一个动作、告警要有分级、告警要带上下文。第一条的意思是,收到告警后你得知道该做什么——重启服务、清理日志、扩容磁盘,还是先观察。如果一条告警对应的动作是「再看看」,那它就不该以短信形式发出来。第二条是按影响面分层:提示级只进邮件或IM群,警告级发到值班群,严重级才打电话,避免所有指标一个通道。第三条是告警内容里更合适带上当前值、持续时长和实例名,不然凌晨三点收到「CPU过高」,还得自己登录控制台翻是哪台机器。

    指标本身也有采集节奏的差异。云厂商控制台的监控通常是分钟级甚至五分钟级聚合,适合看趋势;而主机内部的采集工具可以做到15秒一次,适合抓瞬时尖峰。两者配合用比较合理:控制台告警兜底,主机内采集做细粒度分析。如果站点还处在选型阶段,建议先看看建站方案里对资源规格的说明,再回头定阈值,否则指标和业务对不上号。

    四类指标的阈值设定思路

    CPU:看持续时长,不看瞬时峰值。CPU冲高是正常现象,编译、备份压缩、定时任务都会让使用率短暂到80%以上。真正值得关注的是持续高负载,比如5分钟内平均使用率持续超过80%,或者负载均值(load average)持续高于核数的1.5倍。建议设两档:使用率持续5分钟超过80%发提示,持续15分钟超过90%发警告。单核小机器要特别注意,负载1.0对1核机器已经是满负荷,对4核机器只是轻度繁忙,阈值更合适按核数换算。

    内存:盯可用量,别只盯百分比。Linux会把空闲内存拿去做缓存,所以「已用内存百分比」经常虚高,看它容易误判。更可靠的是看available(可用内存)和swap使用量。经验做法是:可用内存低于总内存的10%且持续10分钟发警告;swap使用量超过swap总量的30%且持续增长,说明物理内存已经不够用,该考虑升配或排查内存泄漏。如果机器上跑了MySQL、Redis这类会主动占内存的服务,阈值要单独为它们放宽,别和Web进程混在一起判断。

    磁盘IO:看等待时间,比看吞吐更有意义。磁盘读写量大小和业务量正相关,直接卡IOPS数字意义不大。更值得盯的是IO等待占比和平均响应时间:iowait持续超过10%,或者磁盘平均等待时间明显抬升,往往意味着磁盘成了瓶颈。另外一定要单设一条磁盘使用率告警:根分区使用率超过80%发提示,超过90%发严重告警。日志写满磁盘导致服务挂掉,是最常见也最容易避免的故障。

    带宽:按计费方式和业务曲线区分。固定带宽的机器,出方向流量持续接近带宽上限(比如达到90%以上并持续10分钟)就该告警,说明要么被异常请求打满,要么业务确实需要扩容。按流量计费的机器,则要盯「日流量消耗速度」,防止被异常抓取或大文件下载把流量跑超。带宽告警建议同时配置入方向和出方向,很多站点只看出方向,结果被上传类接口拖垮。

    下面是主机侧采集的配置示例,以node_exporter配合Prometheus为例,采集间隔15秒,具体版本与参数以官方文档为准:

    # prometheus.yml 片段
    scrape_configs:
      - job_name: 'node'
        scrape_interval: 15s
        static_configs:
          - targets: ['10.0.0.11:9100', '10.0.0.12:9100']
    

    告警规则可以写成这样,把「持续时长」用for表达出来,避免瞬时抖动触发:

    groups:
      - name: host-alerts
        rules:
          - alert: HighCPU
            expr: 100 - (avg by(instance)(rate(node_cpu_seconds_total{mode="idle"}[5m])) * 100) > 80
            for: 10m
            labels:
              severity: warning
            annotations:
              summary: "{{ $labels.instance }} CPU持续偏高"
    
          - alert: LowMemory
            expr: node_memory_MemAvailable_bytes / node_memory_MemTotal_bytes * 100 < 10
            for: 10m
            labels:
              severity: warning
    
          - alert: DiskWillFill
            expr: node_filesystem_avail_bytes{mountpoint="/"} / node_filesystem_size_bytes{mountpoint="/"} * 100 < 15
            for: 5m
            labels:
              severity: critical
    

    没有自建监控体系、只用云厂商控制台的站长,也可以在控制台里找到对应指标手动设阈值,思路完全一致:选指标、定阈值、加持续时长、选通知通道。需要提醒的是,不同厂商对指标的定义和聚合方式略有差异,具体以官方文档和实际环境为准,别直接把本文数字照搬。

    落地清单:从开通到告警收敛

    下面这套步骤可以直接照着推进,建议一到两周内完成第一轮收敛:

    • 盘点实例:列出所有云主机和它们的角色(Web、数据库、缓存、备份机),不同角色用不同阈值模板。
    • 确定基线:连续观察三到五天的正常业务曲线,记录CPU、内存、磁盘、带宽的日均峰值,阈值在峰值基础上留出合理余量。
    • 分级与通道:提示级走邮件或IM群,警告级走值班群,严重级才触发电话或短信,避免所有告警共用一个通道。
    • 加持续时长:所有阈值都配for或控制台的「持续N分钟」选项,过滤瞬时尖峰。
    • 补关键项:磁盘使用率、内存可用量、证书到期、进程存活这四项建议必配,它们对应的是最容易造成整站不可用的故障。
    • 定期复盘:每季度回看一次告警记录,把长期无动作的规则降级或删除,把漏报的故障补成新规则。

    监控配好之后,别忘了很多故障其实是配置问题引起的,可以对照客户案例里常见的部署结构,检查自己的服务是否把日志、数据、临时文件全堆在根分区。另外,如果站点同时用了多台机器和负载均衡,告警要按实例维度打标签,否则一台机器出问题会被平均掉,看不出来。

    说到底,云监控的阈值不是一个数字,而是你对业务正常范围的描述。把「持续多久」「影响什么」「该做什么」这三件事写进告警规则里,监控才会从刷屏的噪音变成真正能救火的工具。

    准备做网站,先从哪一步开始?

    如果你希望把上面的思路落到自己的行业与目标市场,可以先看 建站方案 了解一站式流程,再对照 客户案例 判断哪些做法适合自己的业务;也可以加微信 tsrz001 沟通需求,把页面结构、预算和排期先聊清楚再动手。

    继续阅读

    📑 📅
    建站服务器上线前的安全自查清单:端口收敛、SSH加固、防火墙与最小权限 2026-10-30
    服务器快照与备份不是一回事:快照回滚、异地备份与数据库逻辑备份的组合策略 2026-10-30
    云服务器、虚拟主机与独立服务器的分界:何时迁移更划算 2026-10-30
    服务器买高了浪费买低了卡:用PV与并发反推算力配置 2026-10-30
    企业官网打开慢卡在哪:DNS、TLS与首字节时间分段排查 2026-10-30
    企业建站选云服务器还是虚拟主机:按访问量与预算分档取舍 2026-10-30
    2核4G够不够用:官网与商城配置档位对照及估算方法 2026-10-30
    云服务器带宽怎么选:按页面体积与并发估算 2026-10-30
    BGP多线与单线机房区别:企业站按用户地域选线路 2026-10-30
    服务器地域节点怎么选:国内多省与外贸站的机房布局 2026-10-30