香港服务器部署智能监控系统,哪些指标适合设置告警阈值?
固定使用“CPU 超过 80%就报警”并不适合香港服务器的所有业务。CPU 占用率高但接口延迟稳定,可能只是压缩、编译或批处理任务;CPU 仅有 40%,接口却因磁盘等待、数据库连接池耗尽或跨区域网络抖动而变慢。因此,告警阈值应同时覆盖用户体验、资源饱和度和故障前兆,而不是围绕单一主机指标设置。
针对香港服务器部署的智能监控系统,通常应优先关注接口可用性、P95/P99 延迟、请求吞吐、并发连接数、CPU 使用率与运行队列、内存可用量与交换行为、磁盘 I/O 等待、网络丢包与重传,以及数据库连接池和队列长度。阈值可以先采用典型范围建立初版,再根据业务基线、访问来源、峰谷时段和压测结果修正。跨地域访问场景还应区分“服务器处理变慢”和“链路本身波动”,不能直接把所有延迟都归因于香港机房。
一、先确定监控要回答的问题
监控系统不是把所有指标采集得越多越好,而是要能够回答四类问题:
- 用户现在是否访问正常?
- 服务是否正在接近资源上限?
- 当前异常是应用、主机、存储还是网络引起的?
- 按当前增长速度,什么时候需要扩容或调整架构?
围绕这四个问题,可以把告警分为三层:
- 体验层:可用性、接口延迟、错误率、页面加载时间。
- 饱和层:吞吐、并发、CPU、内存、磁盘、网络带宽和连接池。
- 前兆层:运行队列、I/O 等待、TCP 重传、队列积压、缓存命中率、数据库慢查询和连接等待。
体验层适合触发较高优先级告警,因为它直接反映用户是否受到影响。饱和层用于判断容量压力,前兆层则用于提前发现问题。一个健康的告警体系通常不是“某项指标超过阈值就立即通知”,而是将三层指标组合起来判断。
例如,CPU 达到 85%并不一定需要立即人工介入;如果接口 P95 延迟、错误率和运行队列同时上升,就应升级为高优先级事件。相反,如果 CPU 高但只持续几十秒,且业务延迟没有变化,可以先记录趋势而不是发送紧急通知。
香港服务器场景要额外区分访问路径
香港服务器可能同时承载来自香港、内地、东南亚或其他地区的请求。不同来源的网络路径、运营商互联质量和高峰时段并不相同,同一个接口可能出现以下情况:
- 香港本地探针延迟稳定,但内地某些运营商探针波动;
- TCP 建连时间增加,但服务器已经收到请求后的处理时间没有变化;
- 服务器出口带宽没有打满,但丢包和重传升高;
- 应用处理耗时正常,用户端总耗时却明显增加。
因此,至少应配置两类探针:
- 服务器本机或同区域探针:观察服务进程、内网依赖和机房内访问情况。
- 不同访问区域的外部探针:观察真实公网路径,最好按地区或运营商分别聚合。
如果只有单一探针,监控系统很难判断问题发生在服务器、上游依赖还是公网链路。
二、核心指标的含义与初始阈值
1. 可用性、错误率与延迟
可用性表示请求是否能够完成,延迟表示请求完成得是否足够快。两者必须同时观察。
对于 HTTP 或 API 服务,建议拆分以下时间:
- DNS 解析时间;
- TCP 建连时间;
- TLS 握手时间;
- 首字节时间,即 TTFB;
- 应用处理时间;
- 响应传输时间;
- 用户端总耗时。
只看平均延迟容易掩盖少量慢请求。更适合告警的是 P95 和 P99:
- P50:一半请求的体验,可观察常态。
- P95:95%的请求不超过该延迟,适合衡量大多数用户。
- P99:最慢的一小部分请求,适合发现队列、锁等待和偶发依赖故障。
可采用如下方式设置初始阈值:
| 指标 | 观察窗口 | 警告参考 | 严重参考 | 适用说明 |
|---|---|---|---|---|
| HTTP 错误率 | 5 分钟 | >1% | >3%或持续出现 5xx | 低流量服务应同时设置最小请求数 |
| 请求可用性 | 5 分钟 | 低于目标值 | 连续多次探测失败 | 不要因单个探针瞬时失败立即升级 |
| P95 延迟 | 5 分钟 | 高于基线 1.3 倍 | 高于基线 1.5 倍且超过业务目标 | 需要区分接口类型 |
| P99 延迟 | 5 分钟 | 高于基线 1.5 倍 | 连续超过目标 10 分钟 | 适合观察尾部延迟 |
| TCP 建连时间 | 5 分钟 | 高于基线 2 倍 | 多区域同时升高 | 多用于链路和连接资源判断 |
| TTFB | 5 分钟 | 高于基线 1.3 倍 | 高于基线 1.5 倍 | 更接近服务器和应用处理情况 |
这些数值只是初始参考,不是所有业务的固定标准。例如,内部管理系统的 P95 延迟可能在 800 毫秒以内仍可接受,而实时交易接口可能需要控制在 200 毫秒以内。阈值应以接口自身的服务目标为边界。
低流量服务还要注意样本数量。5 分钟内只有 3 个请求,其中 1 个失败会得到 33.3%的错误率,但这个比例不一定能够代表服务整体状态。可以增加“5 分钟请求数大于 100”这一条件,或者同时使用“连续 3 次探测失败”作为可用性告警。
2. 吞吐量、并发量与请求队列
吞吐量通常以每秒请求数、每秒事务数或每秒处理字节数表示。并发量表示同一时刻正在处理或保持连接的请求数量,二者不能混为一谈。
一个接口每秒处理 100 个请求,并不一定比每秒处理 50 个请求压力大。若前者平均处理时间只有 50 毫秒,后者平均处理时间达到 2 秒,后者可能需要更多并发连接和线程资源。
可以使用近似关系判断并发压力:
并发数 ≈ 吞吐量 × 平均响应时间
例如:
- 吞吐量为 200 请求/秒;
- 平均响应时间为 0.4 秒;
- 估算并发请求数约为 200 × 0.4 = 80。
当响应时间增加到 1 秒,即使吞吐量仍然是 200 请求/秒,并发数也会升至约 200。此时线程池、连接池和文件描述符可能先于 CPU 达到瓶颈。
适合作为告警对象的指标包括:
- 每秒请求数或事务数;
- 活跃连接数;
- 等待中的请求数;
- Web 线程池活跃线程比例;
- 数据库连接池使用比例;
- 消息队列积压数量;
- 单个请求的排队时间。
建议不要直接使用“并发超过 1000”这种脱离业务容量的固定值。应先通过压测找到满足延迟目标时的最大稳定吞吐量,再将其作为容量基准。例如,某接口在 P95 不超过 300 毫秒时能够稳定处理 260 请求/秒,则日常告警可以设置为:
- 180 请求/秒:趋势观察;
- 210 请求/秒持续 10 分钟:容量预警;
- 240 请求/秒且 P95 同时升高:高优先级容量告警;
- 超过 260 请求/秒:进入保护、限流或扩容决策范围。
这里的关键不是某个具体数字,而是把吞吐量与延迟目标绑定起来。
3. CPU 使用率、运行队列与 iowait
CPU 使用率需要拆分理解:
- user:应用代码消耗的 CPU;
- system:内核处理、网络、文件系统等消耗;
- iowait:CPU 等待磁盘或其他 I/O 完成的时间;
- steal:虚拟化环境中被宿主机或其他实例占用的时间;
- idle:空闲时间。
单独设置 CPU 使用率告警容易误判。可以采用以下初始判断:
| 组合现象 | 更可能的含义 | 告警建议 |
|---|---|---|
| CPU 70%至80%,延迟稳定 | 正常业务增长或短时计算任务 | 记录趋势,不必立即升级 |
| CPU >80%,运行队列持续增加 | CPU 资源接近饱和 | 预警,结合 P95 延迟判断 |
| CPU >90%,P95 延迟和错误率上升 | 计算资源不足或进程争用 | 高优先级告警 |
| iowait >15%,磁盘 await 同时升高 | CPU 等待存储 | 优先检查磁盘和数据库 I/O |
| steal >5%至10%,业务延迟升高 | 虚拟化层资源争用 | 联系服务商或迁移资源规格 |
| load average 高,但 CPU 利用率不高 | 可能是 I/O 等待或不可中断任务 | 不应直接按 CPU 不足处理 |
运行队列应结合 CPU 核数判断。以 4 个逻辑 CPU 为例,load average 长时间接近 4,说明可运行任务已经接近同时执行能力;超过 4 后,部分任务会等待调度。若 load average 为 8,但 CPU 利用率只有 50%,则更应检查 I/O 等待,而不是立即增加 CPU。
一个可执行的初版规则可以是:
- CPU 使用率超过 75%并持续 10 分钟:容量预警;
- CPU 使用率超过 90%并持续 5 分钟,且 P95 延迟上升:严重告警;
- iowait 超过 15%并持续 5 分钟,且磁盘 await 超过 20 毫秒:存储方向告警;
- steal 超过 10%并持续 5 分钟:虚拟化资源告警。
这些阈值适用于多数通用 Web 服务的起始配置,但批处理、视频转码、压缩和数据计算服务应单独建模。对这类业务,CPU 长时间高占用可能是正常工作状态,真正需要关注的是任务完成时间、队列积压和失败率。
4. 内存、缓存与交换空间
内存告警不宜只看 free。Linux 等系统会使用空闲内存作为页缓存,因此 free 很低并不代表内存不足。更有参考价值的是:
- available 内存;
- 内存工作集;
- RSS 增长速度;
- swap 使用量;
- swap in 和 swap out;
- OOM Killer 记录;
- 容器或进程的内存限制;
- 页回收和 major page fault。
可以将“可用内存占总内存比例”作为基础指标:
| 状态 | 可用内存参考 | 处理方式 |
|---|---|---|
| 观察 | 15%至20% | 检查趋势和进程增长 |
| 预警 | 低于 10% | 结合 swap、延迟和 OOM 风险 |
| 严重 | 低于 5%至8% | 检查异常进程、缓存和容器限制 |
| 高风险 | swap 持续读写且延迟上升 | 立即处理,不应只等待内存恢复 |
swap 已被使用并不必然代表故障。有些冷数据会被换出,系统仍然稳定。但如果 swap in/out 持续增加,同时接口延迟、磁盘等待和上下文切换上升,就说明内存压力已经影响性能。
内存泄漏通常不是“瞬间超过阈值”,而是工作集持续缓慢上涨。智能监控可以设置趋势型告警,例如:
- 进程 RSS 连续 6 小时单调增长;
- 每小时增长超过可接受基线;
- 重启后内存未回落;
- 业务流量不变但内存占用持续增加。
相比“内存超过 90%立即报警”,这种前兆指标更适合发现长期运行服务的泄漏问题。
5. 磁盘 I/O、延迟与队列
磁盘容量和磁盘性能是两个不同维度:
- 容量不足影响写入、日志、数据库和临时文件;
- IOPS 不足影响随机读写;
- 吞吐不足影响大文件和顺序读写;
- await 过高表示 I/O 请求完成时间变长;
- queue depth 过高表示请求开始排队;
- util 接近 100%表示设备长期处于忙碌状态,但还需结合请求类型判断。
对数据库或高频小文件服务,建议重点观察:
- I/O await;
- 读写 IOPS;
- 读写吞吐量;
- 设备利用率;
- I/O 队列长度;
- 文件系统使用率;
- inode 使用率;
- 数据库日志写入延迟。
以常见 SSD 业务盘为例,可以把 await 15至20毫秒作为预警参考,40毫秒以上作为严重参考;但这不是所有存储类型都适用。机械盘、网络存储、数据库日志盘和对象存储挂载盘的正常延迟可能完全不同。
磁盘容量可以按不同用途设定阈值:
- 普通业务分区达到 75%:预警;
- 达到 85%:需要安排清理或扩容;
- 达到 90%至95%:严重告警;
- 日志分区还应增加“预计剩余可写时间”指标。
例如,日志分区剩余 20 GB,看似空间充足;如果最近 1 小时增长 10 GB,按当前速度只能维持约 2 小时。此时趋势告警比单纯的容量百分比更有价值。
6. 网络带宽、丢包、重传与连接资源
香港服务器的公网网络指标不能只看带宽使用率。建议同时采集:
- 入站和出站带宽;
- 数据包速率;
- TCP 建连失败;
- TCP 重传率;
- 丢包率;
- 网卡错误和丢弃;
- 活跃连接数;
- TIME_WAIT 数量;
- 文件描述符使用量;
- conntrack 表使用率;
- 不同区域探针的 RTT 和可用性。
带宽阈值可以使用接口上限的比例作为初始值:
- 持续超过 70%:容量观察;
- 持续超过 85%:带宽预警;
- 超过 90%且出现丢包、重传或延迟上升:严重告警。
如果业务带宽以十进制单位计算,100 MB/s 等于 800 Mb/s,也就是 0.8 Gb/s。带宽监控中的 MB/s、Mb/s 和 GB 流量不能混用。比如一天传输 1 TB 数据,平均速率的计算应先明确 TB 是十进制还是二进制,再乘以 8 换算为 bit,最后除以 86400 秒。
网络异常的判断建议使用组合条件:
- RTT 超过过去 7 天同一时段基线的 2 倍;
- 丢包率超过 1%并持续 5 分钟;
- TCP 重传率超过 2%至3%;
- 至少两个外部探针同时异常;
- 本机网卡错误或丢弃同步增加。
若只有一个跨区域探针延迟升高,而香港本地探针、服务器处理时间和网卡指标都正常,不能直接判断服务器故障。此时更适合标记为“访问路径异常”,并按地区拆分告警。

三、把资源指标和业务指标关联起来
单项阈值只能发现“异常发生了”,关联分析才能帮助判断“异常发生在哪里”。
延迟升高但 CPU 正常
可能原因包括:
- 数据库查询变慢;
- 磁盘 await 增加;
- 外部接口响应延迟;
- 线程池或连接池排队;
- 网络链路抖动;
- 垃圾回收暂停。
此时应先看请求分段耗时,而不是继续提高 CPU 告警级别。如果应用处理时间没有增加,但 TCP 建连或网络传输时间增加,则更偏向网络路径问题。
CPU、运行队列和延迟同时升高
这通常指向计算资源不足、进程争用或异常循环。需要进一步区分:
- user CPU 高:应用计算量增加;
- system CPU 高:网络包、系统调用或内核处理增加;
- steal 高:虚拟化资源争用;
- 单个进程占用异常:应用线程或任务异常;
- 所有进程都变慢:实例规格或底层资源不足。
如果吞吐量同步下降,说明服务器已经进入性能拐点;如果吞吐量仍上升且错误率不变,可能只是处于正常扩展阶段,但应关注余量。
内存下降、swap 增加、磁盘等待升高
这种组合通常比单独的内存不足更值得重视。交换行为会增加磁盘读写,进而拖慢数据库、应用和日志服务。可检查:
- 是否有进程工作集持续增长;
- 是否有容器触及内存限制;
- 是否存在大批量导入或缓存预热;
- 是否有 OOM 记录;
- swap 分区或交换文件是否配置合理。
如果重启服务后内存迅速回落,且流量没有变化,可能是进程泄漏或缓存失控;如果所有进程内存都稳定,但系统可用内存逐渐减少,则需要关注缓存和内核占用。
请求队列、连接池和错误率同时升高
这类问题常见于下游依赖变慢。比如数据库连接池使用率达到 95%,等待连接时间升高,应用线程被占用,最终表现为接口超时和 5xx 增加。
可设置如下组合告警:
- 数据库连接池使用率超过 80%持续 10 分钟:预警;
- 超过 90%且连接等待时间增加:严重告警;
- 请求队列长度持续增长,且完成速率下降:容量或下游故障告警;
- 队列积压超过可接受处理时长:触发限流、降级或扩容决策。
这类告警比“数据库连接数达到 100”更准确,因为不同规格和连接池配置的合理上限不同。
四、阈值如何从基线中得到
使用分位数而不是单个峰值
建立阈值前,至少收集一个完整业务周期的数据。对于有明显工作日、周末和夜间差异的业务,建议观察 7 至 14 天。基线应按以下维度拆分:
- 工作日与非工作日;
- 高峰与低峰;
- 接口或业务类型;
- 访问区域;
- 部署版本;
- 缓存命中与未命中;
- 正常流量与批处理时段。
例如,某 API 在夜间 P95 延迟为 120 毫秒,晚间高峰为 260 毫秒。如果直接用全日平均值设置 200 毫秒告警,夜间可能频繁误报,高峰又可能无法及时识别真正异常。
可以为每个时间段保存 P50、P95、P99 和标准波动范围。初始动态阈值可采用:
告警阈值 = 同时段基线 P95 × 1.3,且不得低于业务硬目标
如果同时段基线 P95 为 180 毫秒,业务硬目标为 300 毫秒,则动态阈值为 234 毫秒,但可以将 300 毫秒作为严重告警边界。这样既能发现明显偏离,也不会把短时轻微波动升级为故障。
固定阈值与动态阈值配合
两种阈值各有用途:
- 固定阈值:适合容量上限、磁盘容量、连接数上限、服务目标。
- 动态阈值:适合延迟、吞吐、CPU、网络 RTT 等存在明显周期波动的指标。
例如:
- 磁盘使用率超过 90%是固定风险;
- P95 延迟比同一时段基线高 50%是动态风险;
- 出站带宽超过套餐或网卡能力是固定上限;
- 请求量比过去同一时段高 3 倍是动态异常。
不要让动态模型替代所有固定边界。即使动态模型认为磁盘使用率“符合趋势”,达到 98%仍然应立即告警。
设置持续时间和恢复阈值
告警条件通常需要同时包含“超过阈值”和“持续时间”:
- CPU 超过 80%持续 10 分钟;
- P95 延迟超过目标持续 5 分钟;
- 丢包率超过 1%持续 3 个采样周期;
- 磁盘 await 超过 20 毫秒持续 5 分钟。
恢复阈值应低于触发阈值,避免指标在临界点反复触发。例如:
- CPU 超过 85%触发;
- CPU 降至 70%以下并持续 10 分钟恢复。
这叫滞回设计。没有恢复差值时,指标在 84%至86%之间波动,会造成重复通知和告警疲劳。

五、告警降噪与故障前兆设计
用多条件减少误报
推荐采用“单指标记录、组合条件升级”的方式:
- CPU 高:记录或预警;
- CPU 高 + 运行队列增加:提高优先级;
- CPU 高 + 运行队列增加 + P95 延迟升高:触发严重告警。
类似地:
- 带宽高不一定故障;
- 带宽高 + 丢包增加,才需要关注链路容量;
- 磁盘忙不一定故障;
- 磁盘忙 + await 增加 + 数据库延迟升高,才说明存储已经影响业务。
合并同源告警
一次数据库故障可能同时触发:
- API 延迟升高;
- API 5xx 增加;
- 数据库连接池耗尽;
- 应用线程池排队;
- CPU 使用率变化;
- 业务超时增加。
如果每个指标都单独通知,值班人员会收到大量重复消息。可以将“数据库连接池耗尽”作为根因候选,把 API 延迟和错误率作为受影响服务,按服务、实例、区域和事件时间进行聚合。
给告警增加上下文
每条告警至少应包含:
- 指标名称和当前值;
- 阈值与持续时间;
- 受影响的主机、服务或接口;
- 访问区域;
- 同期的吞吐量和错误率;
- 相关 CPU、内存、I/O 和网络指标;
- 最近一次部署或配置变更;
- 恢复条件;
- 建议的排查方向。
例如,“香港服务器 CPU 90%”的信息不足;“API 服务 P95 从 220 毫秒升至 680 毫秒,CPU 92%,运行队列由 1.2 增至 6.8,持续 8 分钟,吞吐量未增加”则已经能够指向计算资源或异常任务。
将趋势指标作为故障前兆
适合提前告警的指标包括:
- P95 延迟连续多个周期缓慢上升;
- 请求队列持续增长但处理速率不变;
- 内存工作集持续上升;
- 磁盘剩余空间按当前增长速度不足 24 小时;
- TCP 重传率逐步升高;
- 数据库连接池长期接近上限;
- 缓存命中率持续下降;
- 单个接口耗时上升但整体平均值尚未明显变化。
这类告警的优先级可以低于用户可见故障,但应进入容量或变更评审流程。
六、一个可落地的阈值矩阵
以下矩阵适合普通 Web、API 和数据库型业务作为初版参考。它不是香港服务器的固定标准,仍需用自身基线和压测结果校准。
| 指标类别 | 预警条件 | 严重条件 | 需要关联的指标 |
|---|---|---|---|
| 可用性 | 单区域连续 2 至 3 次失败 | 多区域同时失败或持续 5 分钟 | DNS、TCP、应用错误 |
| HTTP 5xx | >1%持续 5 分钟 | >3%或持续增长 | P95、下游依赖 |
| P95 延迟 | 超过基线 1.3 倍 | 超过基线 1.5 倍且超过服务目标 | CPU、I/O、连接池 |
| P99 延迟 | 超过基线 1.5 倍 | 连续 10 分钟超过目标 | 队列、锁等待 |
| 吞吐量 | 达稳定容量的 70% | 达 85%至90%且延迟恶化 | 并发、错误率 |
| CPU | >75%持续 10 分钟 | >90%持续 5 分钟且延迟升高 | load、run queue |
| 内存 | available <10% | available <5%至8%或 OOM | swap、RSS |
| 磁盘 I/O | await >15至20毫秒 | await >40毫秒且队列增长 | iowait、数据库耗时 |
| 磁盘空间 | >75%至85% | >90%或预计很快耗尽 | 增长速度、inode |
| 网络带宽 | >70%持续 10 分钟 | >85%且丢包或重传升高 | RTT、网卡错误 |
| TCP 重传 | >2%至3% | 多区域同时升高且延迟增加 | 丢包、链路探针 |
| 连接池 | >80% | >90%且等待时间增加 | 请求队列、错误率 |
对于低流量站点,可以把“持续时间”与“最小样本数”结合。例如,5 分钟内请求数不足 50 时,不直接使用错误率百分比,而使用连续探测和绝对失败次数。对于高流量 API,则应采用分接口、分区域、分状态码的分位数监控。
围绕香港业务的监控采集、接口服务与数据库运行,A5数据提供Xeon Gold、AMD EPYC等物理服务器方案,以不同档位的计算资源、内存和SSD或NVMe存储,承载指标处理、数据库缓存与多任务运行;香港存储系列还可用于监控日志和历史数据归档。其香港产品提供CN2与国际带宽选项,为面向内地及海外访问人群的业务提供相应网络资源,也为业务增长后的容量规划提供多档资源基础。
七、如何根据结果做容量判断
容量判断的核心不是“当前资源有没有超过 80%”,而是确认在满足业务目标的情况下,还能承受多少增长。
可以按照以下步骤执行:
- 选定业务目标,例如 P95 延迟不超过 300 毫秒、5xx 低于 1%、可用性满足既定要求。
- 记录当前稳定吞吐量、并发量、CPU、内存、磁盘和网络数据。
- 逐步增加并发或请求速率,直到任一核心目标开始失守。
- 找到最后一个满足服务目标的稳定点,而不是短时峰值。
- 为突发流量和变更风险保留余量。
例如,某接口在以下测试结果下满足 P95 不超过 300 毫秒:
| 稳定吞吐量 | 并发请求 | P95 延迟 | CPU | 磁盘 await | 结果 |
|---|---|---|---|---|---|
| 180 请求/秒 | 80 | 210 毫秒 | 62% | 8 毫秒 | 稳定 |
| 220 请求/秒 | 110 | 245 毫秒 | 73% | 11 毫秒 | 稳定 |
| 260 请求/秒 | 150 | 298 毫秒 | 82% | 17 毫秒 | 接近边界 |
| 290 请求/秒 | 190 | 430 毫秒 | 91% | 31 毫秒 | 超出目标 |
如果以 260 请求/秒作为服务目标边界,日常运行不宜长期维持在 250至260 请求/秒。可以把 220 请求/秒设为容量预警点,把 240至250 请求/秒设为扩容评估点。这个判断来自延迟拐点,而不是单纯来自 CPU 百分比。

容量余量可以按以下方式估算:
容量余量 = 服务目标吞吐量 − 当前峰值吞吐量
如果服务目标吞吐量为 260 请求/秒,当前峰值为 180 请求/秒,则绝对余量为 80 请求/秒,相对余量约为 80 ÷ 260 = 30.8%。当余量长期低于 20%至30%,就应安排复测、优化或扩容评估。
对于网络带宽,也要按照相同逻辑判断。若服务器出口上限为 1 Gb/s,业务峰值为 700 Mb/s,则理论剩余为 300 Mb/s。但如果此时已经出现重传、丢包或延迟上升,实际可用容量可能小于理论值,不能等到带宽达到 100%才处理。
八、复测条件与阈值调整
阈值上线后应通过复测验证,而不是长期照搬初始参数。复测至少需要保持以下条件基本一致:
- 使用相同或接近的业务数据量;
- 区分缓存命中和缓存未命中;
- 固定测试接口、请求比例和响应大小;
- 使用接近真实访问来源的探针;
- 分别记录工作日高峰、低峰和夜间数据;
- 保持数据库索引、连接池和线程池配置明确;
- 记录服务器规格、系统版本和部署版本;
- 观察短时峰值、10 分钟持续负载和长时间稳定负载;
- 同时记录延迟、吞吐、并发、CPU、内存、I/O 和网络数据。
如果复测中 CPU 已达到 85%,但 P95 延迟、错误率和队列都稳定,可以暂不把 CPU 直接设为严重告警;如果 CPU 只有 65%,但磁盘 await、数据库耗时和 P99 延迟同时升高,则应优先处理存储或下游依赖。
香港服务器的监控阈值尤其需要保留区域维度。服务器本地探针用于判断实例和应用状态,香港以外的探针用于判断公网访问体验。只有当两类数据能够互相印证时,才能把延迟异常升级为服务器容量问题。经过至少一个完整业务周期的监控和一次接近真实流量的复测后,再固定告警阈值、持续时间和恢复条件,通常比直接套用通用百分比更可靠。
本文由A5数据原创发布,转载请注明出处:https://www.a5idc.com/helpcontent/3932.html



