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

举报
yd_294423728 发表于 2026/10/23 12:02:47 2026/10/23
【摘要】 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...

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:

  1. 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。
  2. 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。
  3. 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。
  4. 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。
  5. 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。
  6. 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 Agent cpu_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。)

【声明】本内容来自华为云开发者社区博主,不代表华为云及华为云开发者社区的观点和立场。转载时必须标注文章的来源(华为云社区)、文章链接、文章作者等基本信息,否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0)

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。