华为云 ECS 健康巡检实战：把「救火」变成「体检」

华为云 ECS 健康巡检：用一套脚本把「救火」变成「体检」

一、为什么需要常态化巡检

在生产环境里，ECS 出问题往往不是「突然坏掉」，而是「指标缓慢劣化到临界点」。磁盘使用率从 60% 爬到 92%、内存偶发 OOM 前兆、安全组规则被误放宽——这些在故障发生前都有迹可循。等到业务告警才介入，本质是在「救火」；而定期巡检把问题拦在告警之前，是「体检」。

本文分享一套轻量 ECS 健康巡检脚本的落地思路，核心是三件事：采集维度怎么定、阈值怎么给、结果怎么读。

二、采集维度：先覆盖「五高一低」

巡检项不必求全，先覆盖常见故障面即可。建议至少包含以下维度：

1. 计算与内存：CPU 使用率、load average（重点看 5/15 分钟趋势，不只看瞬时值）、内存与 swap 使用率、是否有 OOM 记录；

2. 存储：系统盘/数据盘使用率、inode 使用率（inode 打满比空间打满更隐蔽）、磁盘 IO 等待；

3. 网络：网卡收发包错误计数、TCP 重传率、连接数是否接近内核上限；

4. 安全：安全组入方向是否有 0.0.0.0/0 的高危端口、密钥登录是否已启用、是否存在弱口令风险；

5. 服务：关键进程存活、监听端口与预期一致、systemd 单元是否为 failed 状态；

6. 低水位预警：证书剩余有效期、账户余额、快照/备份的最近成功时间。

三、阈值怎么给：分级而非一刀切

阈值建议分三档，避免「一超就告警」造成告警疲劳：

- 关注（WARN）：磁盘 >75%、内存 >80%、load 超过核数 1.5 倍；

- 警告（ALERT）：磁盘 >85%、内存 >90%、存在 OOM 或 failed 单元；

- 严重（CRIT）：磁盘 >95%、关键进程丢失、安全组暴露高危端口、根证书 7 天内到期。

经验值：把 CRIT 项控制在个位数，确保每一条告警都值得人工介入。

四、结果怎么读：一页纸说清

巡检输出最忌「一堆数字不加结论」。建议直接输出三段式：

- 结论区：一句话说明整体健康度（正常 / 需关注 / 需处置）；

- 明细区：仅列出达到 WARN 及以上的项，正常项折叠或只计数；

- 建议区：每条异常给出可执行动作，例如「数据盘使用率 88%，建议清理 /var/log 下 30 天前日志并扩容至 200G」。

五、自动化落地建议

把巡检脚本挂到 crontab 每日执行，结果写入对象存储或日志服务，异常项通过企业微信/邮件推送。关键是「留证据」：每次执行无论成败都记录一行，这样下一次排查时能直接对比趋势，而不是靠回忆。

六、小结

ECS 巡检的价值不在于脚本本身多复杂，而在于把隐性风险显性化、把偶发问题流程化。一套 200 行左右的脚本，配合分级阈值和三段式报告，就能覆盖日常运维 80% 的隐患发现需求。先从「五高一低」起步，跑顺了再按业务特点逐项扩展。