服务器监控看哪些指标:阈值设置与告警收敛

    发布时间:2026-11-02 08:03 更新时间:2026-11-02 08:03 阅读量:7

    监控装上了,告警却天天响,这是不少企业站运维的真实处境。CPU 一到 80% 就发短信,磁盘写入稍高就弹窗,结果值班的人慢慢学会忽略告警,真正出问题时反而没人看。问题往往不在监控工具,而在指标选得太多、阈值拍得太死、告警没有收口。本文按 CPU、内存、磁盘 IO、带宽与网站可用性五类指标,讲清每类指标该看什么、阈值怎么定,最后给出告警收敛的做法和一份可以直接照着推进的准备清单。

    一、五类核心指标:看什么、阈值怎么定

    CPU 要区分使用率与负载两个维度。使用率高但负载平稳,多半是短时计算密集任务;使用率不高而负载持续高于核数,往往是进程卡在 IO 等待上。阈值设置上,建议把 70% 作为提醒线、85%~90% 作为告警线,并要求持续 5 分钟以上才触发,避免一次编译或备份把告警刷出来。核数较少的机器对瞬时峰值更敏感,阈值可适当放宽,以实际业务基线为准。

    内存不能只看“用了多少”。Linux 会把空闲内存用于缓存,看起来占用很高并不代表有风险。真正要盯的是可用内存和 swap 使用量:swap 开始持续增长,说明物理内存已经吃紧,接下来就是响应变慢。常见做法是可用内存低于总内存 15% 且持续一段时间时提醒,swap 使用率超过 30% 时告警。

    磁盘 IO 建议关注三项:使用率(%util)、平均等待时间和读写吞吐。%util 长期接近 完全 说明磁盘已成瓶颈,iowait 升高会连带拖慢 CPU 指标。网站服务器上,日志写入和数据库刷盘是主要来源,阈值可按“%util 持续 80% 以上”提醒,同时结合业务时段判断,夜间备份造成的短时高峰不必告警。另外一定要单独监控磁盘空间,根分区使用率到 80% 提醒、90% 告警,这个指标比 IO 更容易直接导致站点不可写。

    带宽指标要结合业务形态看。出方向带宽跑满会直接表现为页面加载慢、图片打不开,入方向突增则要留意是否有异常请求。建议以购买带宽的 70%~80% 作为提醒线,并观察是否集中在固定时段。带宽趋势比瞬时值更有参考价值,连续几天同一时段爬升,通常意味着访问量增长或页面体积变大,可以参考 建站方案 重新评估资源配比。

    网站可用性是最贴近业务的一类指标,包括 HTTP 状态码、页面响应时间、证书到期时间和域名解析是否正常。可用性告警建议用多节点探测,避免单点网络抖动误报;响应时间可按历史 P95 值上浮 50% 作为提醒线。证书和域名这类“到期型”风险,提前 30 天提醒即可,不必每天推送。

    二、告警收敛:让通知只在该响的时候响

    阈值定得再合理,如果每条规则都独立发通知,仍然会变成噪音。收敛的第一层是时间收敛:同一指标在设定窗口内只触发一次,恢复时再发一条恢复通知。第二层是分组收敛:同一台主机上的多条告警合并为一条,按主机或业务分组发送。第三层是分级:提醒类只进监控面板或邮件,告警类才走电话或即时消息,避免所有信息挤在同一条通道。

    以常见的 Prometheus + Alertmanager 组合为例,可以按下面的思路写规则,具体语法与字段以官方文档和实际环境为准:

    groups:
      - name: host-basic
        rules:
          - alert: HighCPU
            expr: 100 - (avg by(instance) (rate(node_cpu_seconds_total{mode="idle"}[5m])) * 100) > 85
            for: 5m
            labels:
              severity: warning
            annotations:
              summary: "{{ $labels.instance }} CPU 使用率持续偏高"
          - alert: DiskWillFull
            expr: (node_filesystem_avail_bytes{mountpoint="/"} / node_filesystem_size_bytes{mountpoint="/"}) * 100 < 15
            for: 10m
            labels:
              severity: critical
            annotations:
              summary: "{{ $labels.instance }} 根分区剩余空间不足 15%"

    规则里的 for 字段就是时间收敛的关键,它要求条件持续满足一段时间才触发。告警发出后,再在 Alertmanager 中配置分组与静默,把同一批主机的同类告警合并,维护窗口内手动静默。工具只是手段,更重要的是每月回看一次告警记录:哪些规则从没触发过、哪些天天触发却无人处理,前者考虑删掉,后者要么调阈值,要么说明系统确实该扩容了。

    对资源有限的团队,更现实的做法是先只保留“磁盘空间、站点可用性、证书到期、内存 swap”四条告警,跑一个月形成基线,再逐步增加 CPU 和带宽规则。监控的价值不在指标数量,而在每条告警背后都有明确的处理动作,这一点在 客户案例 的运维复盘里也有体现。

    三、落地清单:从零搭起一套能用的监控

    如果站点目前还没有成体系的监控,可以按下面的顺序推进,每步都留出观察时间,不要一次上齐所有规则。

    1. 明确监控目标:先回答“哪些故障会让网站不可用”,通常包括磁盘写满、服务进程退出、证书过期、带宽跑满,围绕这些目标选指标。
    2. 确认采集方式:云厂商自带的监控面板可以看基础指标,主机内部建议部署 node_exporter 一类采集器,网站可用性用外部拨测补充。
    3. 记录一周基线:先只采集不告警,观察业务高峰时段各指标的正常范围,阈值以此为依据,而不是照搬网上的默认值。
    4. 分级设置阈值:每类指标设提醒线和告警线两档,提醒线用于提前介入,告警线用于值班响应。
    5. 配置收敛策略:所有规则加持续时长,告警分组发送,维护窗口提前静默。
    6. 建立处理动作:每条告警对应一条处置说明,例如磁盘不足先清日志还是先扩容,写进值班手册。
    7. 每月复盘一次:统计告警数量与处理时长,删掉无效规则,补充新出现的风险点。

    投入上,单台云服务器用系统自带监控加一个轻量采集器即可起步,成本主要是人力而不是软件;规模扩大后再考虑独立的监控服务与告警平台。需要注意的是,监控本身也占资源,采集频率过高、指标存留过久都会增加磁盘和内存开销,采集间隔按分钟级设置通常足够,具体以实际环境和工具文档为准。安全方面只做自身系统的观测与加固,不对他人系统做探测。

    回到开头的问题:监控不是指标越多越好,而是每条告警都能对应一个明确的动作。先把可用性、磁盘空间这类“一响就必须处理”的指标管住,再用持续时长和分组收敛压掉噪音,CPU、内存、磁盘 IO 与带宽的阈值才有意义。选指标、定阈值、收告警,本质上是把运维经验固化成可执行的规则,规则跑顺了,扩容和优化才有可靠的数据依据。

    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

    📑 📅
    网站被挂马后的自查与恢复顺序:文件、进程、日志到加固 2026-11-02
    云服务器快照与自动备份怎么配:企业官网数据保护落地指南 2026-11-02
    企业站上线前的服务器安全基线自查:账号、SSH、防火墙与补丁清单 2026-11-02
    云服务器按量付费与包年包月怎么算:企业成本估算方法 2026-11-02
    BGP多线与单线机房怎么选:企业站跨网访问与预算取舍 2026-11-02
    网站打不开怎么排查:解析、端口、服务到数据库的顺序 2026-11-02
    企业建站服务器选型:用并发数倒推CPU、内存与磁盘 2026-11-03
    云服务器带宽怎么算:固定带宽与流量计费的成本临界点 2026-11-03
    BGP多线还是单线机房:运营商互联视角下的访问速度差别 2026-11-03
    服务器地域怎么选:备案、用户分布与跨省延迟的取舍 2026-11-03