云监控 CES 告警配置心得：让机器替人盯屏幕（1105 期）

给手头的云资源补齐了监控告警，把配置思路记录下来。

监控的分层很重要：资源层的 CPU、内存、磁盘用平台默认指标就够；应用层的接口耗时、错误率需要业务自己上报，配合自定义指标或接日志服务的统计。

告警规则最容易犯的错误是太灵敏。CPU 抖一下就发短信，一周下来告警疲劳，真出事反而没人看了。我的做法是：持续 N 个周期超阈值才触发，通知渠道分级，紧急的走短信电话，一般的走群消息。

磁盘告警值得单独说：磁盘写满是少数会让服务彻底罢工的问题，而且恢复起来最麻烦。阈值建议提前到 80%，给日志清理和扩容留出操作窗口。

最后，告警必须配演练。规则配完之后人为制造一次触发，确认通知真的能到人，别等到故障的时候才发现告警通道是断的。监控的价值不在看板多漂亮，而在出事的那个时刻有人知道。指标之外，日志和事件的联动也记录一下：把告警动作关联到自动化处理，比如磁盘超阈值自动清理旧日志、进程挂掉自动拉起，能把大量常见问题消解在人工介入之前。当然自动化动作要保守，只对确定安全的场景开，不确定的一律通知人工。监控体系是逐步长出来的，先有基本盘，再按每次故障的经验往里补规则，两三个月后就会顺很多。