服务器监控指标与告警阈值:CPU、内存、磁盘IO、连接数与带宽怎么设

    发布时间:2026-10-20 04:25 更新时间:2026-10-20 04:25 阅读量:0

    服务器出问题,多数时候不是突然宕机,而是某个指标先悄悄越过了正常区间:CPU 长时间打满、内存被缓存吃光、磁盘 IO 排队变长、连接数逼近上限、带宽被突发流量占满。等到用户反馈打不开页面再去查,往往已经损失了一段业务时间。本文按 CPU、内存、磁盘 IO、连接数、带宽五个维度,讲清每个指标该看什么、阈值怎么定、企业侧要投入多少精力,并给出能直接落地的采集与告警配置思路。

    五项核心指标分别看什么,阈值怎么定

    CPU 使用率要区分整体使用率和单核饱和度。一台 4 核机器整体 70% 看似正常,但如果某个进程把两三个核长期打满,其余核空闲,整体数字会掩盖问题。告警建议分两级:整体使用率持续 5 分钟超过 80% 触发提醒,持续 15 分钟超过 90% 触发严重告警;同时观察 load average,1 分钟负载长期高于核数的 1.5 倍就值得介入。注意短时尖峰(如备份、定时任务)应加持续时长条件,否则误报会很快让人对告警麻木。

    内存的坑在于 Linux 会主动用空闲内存做缓存,free 显示可用内存很少并不代表有问题。应重点关注 available 字段和 swap 使用量:available 低于总内存 10% 且持续增长,或 swap 使用量持续上升,说明真实内存压力已经出现。对跑数据库、Java 应用的机器,阈值要更保守,因为这类进程对内存回收延迟敏感,具体数值以压测和实际业务表现为准。

    磁盘 IO看两个层面:容量和性能。容量上,分区使用率超过 85% 提醒、超过 90% 严重告警,给日志清理和扩容留出时间;性能上关注 iowait 占比和磁盘队列长度,iowait 持续高于 20% 或队列深度长期大于 2,通常意味着存在 IO 瓶颈。云盘还有 IOPS 和吞吐上限,超限后延迟会明显上升,这一点在选购云服务器时就该和带宽一起算清楚。

    连接数包括 TCP 连接总数和业务层并发。单机 TCP 连接数受文件描述符限制,接近上限时新连接会被拒绝;Web 服务的活跃连接数、数据库的连接池占用率同样值得盯。告警阈值建议设在系统上限的 70%~80%,而不是等打满才报。

    带宽是最容易被忽视的一项。固定带宽的云服务器一旦出方向流量打满,所有请求都会变慢甚至超时。建议对出方向带宽使用率设 80% 提醒、90% 告警,并结合流量计费模式判断是扩容还是优化。带宽与线路的选择可以延伸阅读建站方案中的资源规划部分。

    用命令做基础采集,先看清基线再定阈值

    阈值不是拍脑袋定的,先跑几天采集,拿到自己业务的正常波动区间,再在此基础上留出余量。下面几条命令覆盖本文提到的核心指标,可以在目标机器上直接执行,输出含义以对应工具官方文档为准。

    # CPU 与负载:每秒刷新,关注 %idle 与 load average
    top -b -n 1 | head -n 5
    
    

    内存:重点看 available 与 swap

    free -h

    磁盘容量与 inode 使用率

    df -hT df -i

    磁盘 IO 与 iowait:安装 sysstat 后使用

    iostat -x 1 5

    连接数统计

    ess -s ss -ant | awk '{print $1}' | sort | uniq -c

    网卡带宽实时速率

    sar -n DEV 1 3

    这些命令适合临时排查,长期监控则建议接入采集代理,把指标按分钟粒度存下来。对中小企业来说,一台 1 核 2G 的监控小机器加开源方案(如 Prometheus 加 Node Exporter,或轻量的 Zabbix)通常就够用,成本主要不在服务器,而在前期梳理指标和后期处理告警的人力。

    告警配置示例与落地清单

    以 Prometheus 的告警规则为例,核心思路是“阈值加持续时长”,避免瞬时抖动触发告警。下面的规则文件片段可直接放进 rules 目录,具体语法和版本差异以官方文档为准。

    groups:
      - name: host-basic
        rules:
          - alert: HighCpuUsage
            expr: 100 - (avg by(instance) (rate(node_cpu_seconds_total{mode="idle"}[5m])) * 100) > 85
            for: 10m
            labels:
              severity: warning
            annotations:
              summary: "{{ $labels.instance }} CPU 使用率持续偏高"
    
          - alert: LowMemoryAvailable
            expr: node_memory_MemAvailable_bytes / node_memory_MemTotal_bytes * 100 < 10
            for: 10m
            labels:
              severity: warning
    
          - alert: DiskWillFillSoon
            expr: (node_filesystem_avail_bytes{fstype!~"tmpfs|overlay"} / node_filesystem_size_bytes) * 100 < 15
            for: 30m
            labels:
              severity: critical
    
          - alert: HighIowait
            expr: avg by(instance) (rate(node_cpu_seconds_total{mode="iowait"}[5m])) * 100 > 20
            for: 15m
            labels:
              severity: warning

    连接数和带宽的采集通常需要额外的 exporter 或业务埋点,阈值同理先观察再设定。配置完成后,建议按下面的清单推进,逐项打勾,避免只装工具不定规则:

    • 列出关键业务机器,区分核心与非核心,核心机器告警更敏感、通知更及时;
    • 连续采集 3~7 天,记录 CPU、内存、磁盘、连接数、带宽的日常峰值作为基线;
    • 在基线之上留 15%~20% 余量设定提醒阈值,接近系统上限设严重阈值;
    • 所有阈值都加持续时长条件,短时尖峰只记录不告警;
    • 配置告警分级与通知渠道,严重告警走电话或即时消息,提醒类走邮件汇总;
    • 每月复盘一次误报和漏报,动态调整阈值,业务大促前临时收紧;
    • 把监控指标与扩容节奏挂钩,资源长期贴近阈值时优先评估升级配置而非一味调高阈值。

    监控的价值不在于图表好看,而在于让团队在用户感知之前发现问题。阈值设得太松等于没有告警,设得太紧则会被噪音淹没,合理的做法是从业务基线出发、分级别、带持续时长,并定期复盘。把这套机制和客户案例中提到的上线流程结合起来,服务器运维才算真正形成闭环。

    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

    📑 📅
    误删数据库后的黄金一小时:快照回滚到binlog恢复的操作顺序 2026-10-20
    云服务器快照与备份不是一回事:策略、异地备份与恢复演练怎么配 2026-10-20
    企业站上线前的服务器初始化清单:安全组、SSH端口、时区、防火墙、系统更新一次配好 2026-10-20
    同城快异地慢:从机房到DNS逐层定位访问速度差异 2026-10-20
    服务器线路怎么挑:BGP多线、单线、CN2类线路的实际差别 2026-10-20
    企业官网选云服务器还是虚拟主机:按访问量与页面类型取舍 2026-10-21
    2核4G跑企业展示站够不够:宝塔+MySQL+PHP资源拆解与选型 2026-10-21
    中小企业建站带宽怎么算:首屏时间与询盘转化推算带宽下限 2026-10-21
    云服务器线路怎么挑:BGP多线、单线与CN2类优化线路 2026-10-21
    企业站图片多导致访问慢:压缩、懒加载与CDN回源整套提速方案 2026-10-21