服务器监控指标与告警阈值设置:CPU、内存、磁盘IO、带宽与可用性

    发布时间:2026-10-30 23:33 更新时间:2026-10-30 23:33 阅读量:6

    服务器出问题,往往不是毫无征兆,而是指标早就开始异常,只是没人看、没人报。对站长和运维来说,监控的价值不在于把曲线画得多漂亮,而在于在用户投诉之前收到一条能看懂、能行动的告警。本文围绕 CPU、内存、磁盘 IO、带宽和网站可用性五类指标,讲清各自该看什么、阈值怎么定,最后给出一份可以直接照着推进的落地清单。

    五类核心指标:看什么,为什么看

    CPU 使用率反映的是计算资源是否被吃满。单看一分钟的平均值意义不大,更实用的是 5 分钟与 15 分钟负载(load average)以及持续高位的时长。四核机器负载长期高于 4 就说明任务在排队,网站响应会变慢。短时冲到 90% 可能只是备份或编译任务,不必立刻报警。

    内存要区分「已用」和「可用」。Linux 会把空闲内存拿去做缓存,所以看 free 命令里的 available 字段更准确。真正危险的是 可用内存持续走低并开始使用 swap,一旦频繁换页,磁盘和 CPU 都会被拖慢。对跑数据库的机器,还要关注 OOM 相关日志。

    磁盘 IO 关注两个维度:空间和吞吐。空间上,根分区用到 80% 就该关注,90% 必须处理,因为日志、临时文件、数据库写入都可能因为磁盘满而失败。吞吐上,可以看 iostat 的 await(平均等待时间)和 %util,持续接近饱和说明磁盘成为瓶颈。

    带宽指标要结合业务看:出方向带宽跑满往往意味着访问量上涨或被异常请求占用;入方向突增则可能是上传、同步或异常流量。带宽告警阈值不能简单按套餐上限的百分比设,而应参考历史峰值,留出合理余量。

    网站可用性是最贴近业务的一类:HTTP 状态码、响应时间、证书到期时间、域名解析是否正常。对官网和商城来说,可用性告警应当比资源类告警更敏感,因为它直接对应客户能否打开页面。建站阶段如果还没确定访问量档位,可以先参考建站方案里的配置规划思路,再据此设定监控基线。

    阈值怎么定:从基线出发,分级告警

    阈值没有通用答案,正确的做法是先采集一到两周数据,找出业务高峰和低谷,再按「警告」和「严重」两级设置。警告级用于提醒人去看,严重级才触发电话或短信。常见起步参考如下,具体仍需按实际业务调整:

    • CPU:5 分钟负载超过核数的 1.2 倍触发警告,超过 2 倍触发严重;或 CPU 使用率连续 10 分钟高于 85%。
    • 内存:可用内存低于总内存的 15% 触发警告,开始使用 swap 且持续增长触发严重。
    • 磁盘空间:使用率高于 80% 警告,高于 90% 严重;inode 使用率同样纳入监控。
    • 磁盘 IO:await 持续高于 50ms 或 %util 持续高于 80% 触发警告。
    • 带宽:出方向峰值连续 5 分钟超过历史峰值的 80%,或达到套餐带宽的 85% 时提醒。
    • 可用性:连续 2 次探测失败或响应时间超过 3 秒触发告警;证书剩余 30 天提醒续期。

    另外要避免「告警疲劳」:同一问题在短时间内只通知一次,设置静默窗口;把非工作时间的严重告警收敛到值班人。告警内容里应带上主机名、当前值、阈值和一条排查建议,减少收到告警后还要登录确认的时间。

    下面是一个用 shell 采集核心指标并通过 curl 推送到告警接口的示例,可以直接放进 crontab 每分钟执行一次。推送地址和字段需按你使用的监控平台文档调整。

    #!/bin/bash
    

    /usr/local/bin/host_check.sh

    HOST=$(hostname) LOAD5=$(awk '{print $2}' /proc/loadavg) MEM_AVAIL=$(awk '/MemAvailable/{printf "%d", $2/1024}' /proc/meminfo) DISK_USE=$(df -P / | awk 'NR==2{gsub("%","",$5); print $5}')

    阈值:可用内存低于 300MB、根分区使用率高于 85% 时推送

    if [ "$MEM_AVAIL" -lt 300 ] || [ "$DISK_USE" -gt 85 ]; then curl -s -X POST "https://monitor.example.com/api/alert" \ -H "Content-Type: application/json" \ -d "{\"host\":\"$HOST\",\"load5\":$LOAD5,\"mem_avail_mb\":$MEM_AVAIL,\"disk_use\":$DISK_USE}" done

    如果使用 Prometheus 这类方案,资源类指标通常由 node_exporter 采集,再在规则文件里写阈值。下面是一段告警规则示例,阈值可按上文思路替换:

    groups:
      - name: host-alerts
        rules:
          - alert: HighDiskUsage
            expr: (1 - node_filesystem_avail_bytes{mountpoint="/"} / node_filesystem_size_bytes{mountpoint="/"}) > 0.85
            for: 10m
            labels:
              severity: warning
            annotations:
              summary: "根分区使用率超过 85%"
          - alert: HighLoad5
            expr: node_load5 > on(instance) (count by(instance)(node_cpu_seconds_total{mode="idle"}) * 1.2)
            for: 10m
            labels:
              severity: critical
    

    可用性监控则建议放在外部:用第三方拨测或另一台机器定时请求站点首页和关键接口,判断状态码与响应时间。不要只依赖本机监控,因为机器宕机时本机脚本也无法发出告警。

    落地清单:从零搭起一套能报警的监控

    监控不是装个软件就结束,需要有人对告警负责。下面这份清单按推进顺序排列,中小企业可以据此逐步落地,不必一次上齐所有工具:

    1. 梳理资产:列出每台服务器的用途、核数、内存、带宽套餐和承载的站点,明确哪些是核心业务。
    2. 确定采集方式:单机可用轻量脚本加 crontab,多机建议用 node_exporter 加 Prometheus,或选用云厂商自带的监控服务,具体以官方文档为准。
    3. 先观察后告警:采集一到两周数据,记录业务高峰、备份窗口和正常波动范围,形成基线。
    4. 分级设置阈值:按警告和严重两级配置,严重级才走电话或即时消息,并设置重复告警收敛。
    5. 补上外部拨测:对首页、登录页、支付回调等关键路径做分钟级探测,并监控证书到期时间。
    6. 做一次演练:手动压测或临时停掉服务,确认告警能在预期时间内送达正确的人,并记录处理耗时。
    7. 定期复盘:每月查看告警记录,把误报多的阈值调宽,把漏报的场景补上规则。

    预算方面,基础监控本身开销不大,主要成本在人力:谁来看告警、谁能处理。规模较小的团队可以优先保证可用性拨测和磁盘空间告警,这两类问题出现频率高、后果直接;随着业务增长,再逐步细化 CPU、内存和 IO 的规则。想了解不同规模站点在服务器与监控上的整体配置取舍,可以翻阅客户案例中的部署结构做参考,注意案例中的具体数值只代表其自身环境。

    最后提醒两个容易忽略的点:一是监控数据本身也要保留一定周期,否则出故障后无法回溯;二是变更服务器配置或迁移机房后,记得同步更新监控项和阈值,避免告警指向已经下线的机器。把这些基础工作做扎实,服务器的大部分问题都能在影响用户之前被发现和处理。

    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

    📑 📅
    误删文件与数据库损坏后的恢复流程:快照回滚到binlog补数据 2026-10-30
    云快照与手动备份的区别,以及恢复演练怎么做 2026-10-30
    企业站上线前的三层备份:本地、异地与云快照怎么配合 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
    BGP多线与单线机房区别:企业站按用户地域选线路 2026-10-30
    企业官网选云服务器还是虚拟主机:三维度取舍对照 2026-10-31
    2核4G够不够用:企业建站服务器配置估算与常见误判 2026-10-31
    带宽选固定还是按流量计费:中小企业站点月流量测算与费用预估 2026-10-31
    多线BGP与单线机房怎么选:企业站点线路实操分析 2026-10-31
    服务器地域节点怎么定:机房位置对首屏加载与抓取的影响 2026-10-31