给华为云 ECS 配 Cloud Eye(CES)基础告警:一份不容易误报的最小清单
很多人买了 ECS 却迟迟没配告警,出问题才去翻监控图。本文按华为云公开最佳实践,整理一份「CPU / 内存 / 磁盘 + Agent 补充指标」的最小告警清单,说明基础监控与 Agent 监控的差别、推荐阈值,以及通知与抑制上的常见注意点。
一、为什么先配「最小清单」
云服务器挂了、磁盘写满、CPU 长时间打满,很多人是用户先发现,运维后知后觉。常见的情况是:控制台里能看到监控曲线,但没有告警规则;或者规则开得太灵敏,半夜短信刷屏,最后干脆关掉通知。
华为云的云监控服务(Cloud Eye / CES)给 ECS 提供了两层指标来源,先分清再配规则,会少踩很多坑:
- 基础监控(命名空间
SYS.ECS):由平台上报,一般不用单独装 Agent;周期大约数分钟级。其中 CPU 使用率(cpu_util) 几乎总能用到;内存使用率(mem_util)、磁盘使用率(disk_util_inband) 对镜像、虚拟化类型有前置条件(例如需要镜像侧工具支持;部分 QingTian / KVM 场景下内存指标不可用)。细则以官方《弹性云服务器支持的基础监控指标》为准。 - Agent 监控(命名空间
AGT.ECS):在虚机里装监控 Agent 后,才能稳定拿到进程视角的 CPU/内存、磁盘使用率 / inode、网卡误包丢包、文件系统只读等更贴近业务的指标。
最小清单的目标很简单:先保证「机器快挂了能通知到人」,再按业务加细项;阈值尽量贴近官方推荐,减少误报。
参考文档(公开可核对):
二、最小清单:先这几条
下面阈值来自 CES 最佳实践表中的推荐值(「连续触发次数 / 比较关系 / 重要与紧急阈值 / 告警频率」)。业务更敏感或更迟钝时,可以在同结构上微调,但建议先按推荐跑一段时间看误报率。
1. 必配:CPU
| 来源 | 指标 | 建议策略(重要 / 紧急) |
|---|---|---|
SYS.ECS |
cpu_util CPU 使用率 |
连续 3 次 > 80% / 90%,告警频率约 1 小时 |
AGT.ECS(已装 Agent) |
cpu_usage |
同样可按 80% / 90%、连续 3 次配置,作为交叉校验 |
只配基础 cpu_util 也能先用起来。已经装 Agent 的环境,可以两条都留,一台机器异常时两边互相印证。
2. 强烈建议:磁盘与 inode(优先 Agent)
磁盘写满比 CPU 打满更「静默」:服务还在,写日志、落库却开始失败。
| 来源 | 指标 | 建议策略 |
|---|---|---|
AGT.ECS |
disk_usedPercent 磁盘使用率 |
连续 3 次 > 80% / 90%,频率约 1 小时 |
AGT.ECS |
disk_inodesUsedPercent inode 已使用占比 |
同上 |
SYS.ECS |
disk_util_inband(若当前镜像/实例类型确实上报) |
可作补充;没有数据就不要强行建规则 |
小文件极多的场景(大量临时缓存、邮件队列等),inode 先满、容量还看起来「够用」,所以 inode 不要省。
3. 内存:有数据再配
| 来源 | 指标 | 建议策略 | 注意 |
|---|---|---|---|
SYS.ECS |
mem_util |
连续 3 次 > 80% / 90% | 依赖镜像工具;部分实例类型不支持 |
AGT.ECS |
mem_usedPercent |
最佳实践里常见为连续 1 次 > 80% / 90% | 装 Agent 后更稳 |
配规则前,先在 CES 控制台确认该实例是否真有对应指标曲线。没有数据的规则只会制造「从未告警」的安全感。
4. 可选增强(仍然很值)
在最小清单跑稳之后,可以按官方推荐逐步加:
- 网卡:
net_errin/net_errout、net_dropin/net_dropout(连续多次 > 0,频率可更短) - 磁盘 IO:
disk_ioUtils - 文件系统状态:
disk_fs_rwstate(只读异常应视为紧急) - 时间同步:
ntp_offset(偏移过大影响证书、日志、分布式锁)
GPU / NPU 场景另有专用指标,不在本文「通用 ECS」范围内。
三、建规则时的几个落地注意点
这些不是点击路径教程,而是配完后经常踩到的通用点:
- 监控范围:开发测试机可以用「全部资源」先兜底;生产更常见的是「资源分组」或「指定资源」,避免测试机把告警通道打爆。
- 资源层级:新版告警里,选「云产品」层级时,单条规则往往可以同时挂 CPU、磁盘等跨子维度策略;选「子维度」则更细、但一条规则跨指标能力受限。按控制台当前文案选择即可。
- 连续次数:推荐里的「连续 3 次」是为了压掉采样毛刺。改成「连续 1 次」会灵敏很多,适合演练,不适合夜间值班。
- 告警频率 / 抑制:推荐表里不少是「1 小时」。频率过短时,未恢复的故障会反复通知;可以配合通知对象、静默时段(变更窗口)一起设计。
- 通知通道:告警规则要落到可接收的短信 / 邮件 / 群机器人等。规则建了但主题订阅是空的,等于没配。
- 先看图再调阈:新业务上线后的一两周,把阈值从 80/90 微调到贴近真实水位,比一上来抄极端值更稳。
四、一份可执行的检查表
配完可以用下面清单自检:
- [ ] 至少 1 条 CPU 告警(
cpu_util或 Agentcpu_usage)已启用 - [ ] 磁盘使用率告警已启用(优先 Agent);inode 已考虑
- [ ] 内存告警仅在确认有指标数据后启用
- [ ] 告警通知对象不是空的,并做过一次测试通知或历史告警回放核对
- [ ] 生产与测试的监控范围已分开,避免测试噪声
- [ ] 变更窗口有静默或降噪策略(可选但很实用)
五、小结
给 ECS 配 Cloud Eye 告警,不必一次上齐所有 Agent 指标。先用官方推荐阈值抓住 CPU + 磁盘(含 inode),内存在有数据时再补,通知通道打通,就是一套「最小但有用」的底线。等误报率稳定后,再按业务加网络、文件系统和 NTP 等增强项,通常比一开始堆满规则更可持续。
(指标 ID、阈值与实例类型限制以华为云当前文档为准;控制台文案若有改版,以控制台与对应产品文档为准。)
- 点赞
- 收藏
- 关注作者
评论(0)