作者:焦振清
时间:2017-11-08
如何解决机器监控遗漏的问题?想必是每一位运维同学都会面临的问题。
- 太多的机器监控内容,可能会产生无效的报警,对生活造成一定影响;
- 太少的机器监控内容,可能会无法及时发现异常,对服务稳定性造成影响;
- 合理的机器监控内容,较高的报警准确度,虽然美好但却需要长期积累;
因此,提供一套有效的机器监控标准,并持续优化标准的内容,从而形成良性循环,提高运维效率就成为监控平台的责任和义务。
我们将各个业务体系运维中机器监控的共性部分进行梳理和排序,提炼出了在运维工作中必须接收报警短信的10项机器监控指标,分享给大家
接下来,我将详细介绍机器监控标准的内容
CPU_IDLE < 10
MEM_USED_PERCENT > 90
NET_MAX_NIC_INOUT_PERCENT > 80
CPU_SERVER_LOADAVG_5 > 15
DISK_MAX_PARTITION_USED_PERCENT > 95
DISK_TOTAL_WRITE_KB(可选项)
DISK_TOTAL_READ_KB(可选项)
CPU_WAIT_IO(可选项)
DISK_SDA_IO_UTIL(可选项)
NET_TCP_CURR_ESTAB(可选项)
NET_TCP_RETRANS(可选项)
DISK_TOTAL_IO_UTIL(可选项)
面临的问题
1,碎片化:因服务器硬件的批次,厂商,型号,采购时间,OS类型等不同,导致监控标准化的难度增加。如内存大小,磁盘读写性能,网卡速率等,实际面临的问题和安卓版本碎片化相似。以磁盘读写性能为例,不同厂商,批次,型号,是否有RAID卡对磁盘读写性能均有影响,且随着服务器交付业务后,运行强度和运行时间不同,也会造成磁盘读写性能有一定的不同。因此,如何监控一个公司内所有的服务器,就会成为一个难题。
监控的技巧
1,极值法
CPU:重点监控CPU_IDLE小于10%的情况
MEM:重点监控MEM_USED_PERCENT大于90%的情况
NET:重点监控网卡入口/出口使用率大于90%的情况
2,分时段不同阈值
DISK:业务流量高峰期阈值较为敏感;业务流量低谷期阈值适度宽松
3,比例替代绝对值
MEM:因为机器内存总量不一,因此通过内存使用率可以进行统一监控