华为云云监控 CES 实操:给 ECS 实例配好 CPU 与内存监控和告警规则
服务器跑起来之后,最怕的不是一时变慢,而是变慢了却没人知道。等用户反馈上来,往往已经影响了一段时间。华为云云监控服务 CES 的作用,就是把弹性云服务器 ECS 的运行状态变成持续可见的曲线,并在越过阈值时主动告警。本文以一台承载常规业务的 ECS 为例,讲清楚 CPU 与内存监控怎么配、告警规则怎么定,以及收到告警后怎么排查。
一、先确认能看到哪些指标
进入控制台的云监控服务 CES,选择实例所在的区域,在云服务器监控里找到目标 ECS。默认情况下,CES 可以直接采集 CPU 使用率、磁盘读写、网络流入流出等宿主机层面的指标,这些不需要额外安装组件,开机后稍等片刻就能看到曲线。
内存使用率比较特殊:它属于客户机内部指标,默认并不上报。如果只看默认指标,会发现根本没有内存曲线,这不是实例异常,而是缺少采集端。正确做法是给 ECS 安装云监控 Agent,安装完成后检查 Agent 进程是否正常运行,再等待几分钟,让内存、磁盘分区使用率等内部指标陆续上报。只有内存曲线出现后,再去配内存告警才有意义。
二、配 CPU 监控和告警规则
建议先在 CES 的监控图表里看一周的 CPU 曲线,区分业务高峰、夜间低谷和定时任务造成的毛刺,再定阈值,不要一上来就照搬别人的数字。对一般业务实例,可以这样起步:
- 新建告警规则,资源类型选择弹性云服务器,监控对象选择目标 ECS。
- 监控指标选择 CPU 使用率,统计方式选择平均值,统计周期选择 5 分钟。
- 触发条件设置为连续 3 个周期平均值大于 80%,告警级别选择重要。
- 通知对象选择已经配置好的消息通知主题,开启告警恢复通知,这样恢复后也能收到一条闭环消息。
连续多个周期才触发,是为了过滤掉短暂的 CPU 毛刺。如果设置为单点超过 70% 就告警,编译、备份、定时任务都可能频繁打扰。相反,如果阈值定到 95% 才告警,留给处理的时间又太少,80% 左右、持续一段时间,是比较平衡的起点。
三、配内存监控和告警规则
内存问题往往比 CPU 更隐蔽:CPU 高了还能看到变慢,内存接近耗尽时,进程可能直接被系统回收,业务表现为突然中断。内存告警可以这样配:
- 在同一条或另外新建一条告警规则里,选择内存使用率指标。
- 统计周期同样选择 5 分钟,触发条件设置为连续 2 个周期平均值大于 85%。
- 告警级别选择紧急或重要,取决于这台实例是否直接对外提供服务。
- 同时可以再加一条磁盘分区使用率告警,例如根分区连续一段时间大于 85% 就提醒,避免日志写满磁盘导致服务写不进数据。
内存告警的阈值不宜定得过低。很多应用在正常运行时就会占用较多内存做缓存,70% 并不一定代表异常;关键是看趋势,是稳定在一个水平,还是持续爬升、一直不回落。持续爬升往往意味着内存泄漏或者连接没有释放,需要优先排查应用本身。
四、收到告警后怎么排查
告警只是起点,不是结论。收到 CPU 告警后,可以按这个顺序看:先看 CES 曲线确认是持续高位还是单点毛刺,再登录实例查看占用最高的进程,判断是业务流量上涨、定时任务重叠,还是某个进程异常空转。收到内存告警后,先看内存曲线是突增还是缓慢爬升,再看占用内存最大的几个进程,检查最近是否发布了新版本、是否新增了缓存或连接池配置。
如果只是流量高峰导致的资源紧张,短期可以扩容规格或分流,长期要看是否需要拆分服务或做缓存优化。如果是某个进程异常,重启只能暂时缓解,一定要找到触发原因并记录下来,否则同一条告警下周还会再来。处理完成后,不要急着把告警规则删掉或调高阈值,先观察一到两天,确认曲线恢复正常再收尾。
五、容易踩的几个坑
第一,Agent 离线时没有数据,不等于实例正常。发现曲线中断,要先检查 Agent 状态和实例网络,而不是默认业务平稳。第二,告警规则配好了却没验证通知对象,等于没有告警,第一次配置后应当用一次可控的测试确认通知链路是通的。第三,给所有实例套用同一套阈值,数据库、计算节点和测试机的负载特征完全不同,应当按用途分组配置。第四,只看瞬时值不看趋势,单点超标和持续爬升的处理方式完全不同。
结语
一套可用的监控,不需要一开始就面面俱到。先把 CPU 和内存这两条核心曲线跑起来,再配两条能真正触发、不会频繁误报的告警规则,最后把每次告警的处理过程记录下来。用一周时间观察曲线、微调阈值,这台 ECS 的运行状态就从靠感觉判断,变成了有数据、有告警、有处理记录的状态,这正是云监控最实际的价值。
- 点赞
- 收藏
- 关注作者
评论(0)