美国服务器部署Zabbix监控,首批应纳入哪些指标和告警

发布人:A5数据发布时间:2026-10-26 11:21阅读量:110

美国服务器交付验收时,Zabbix首批监控不应从“能采集多少指标”开始,而应先确认服务器是否可达、资源是否接近耗尽、关键服务是否真的可用,以及告警发生后能否判断影响范围。首批建议覆盖五类对象:监控链路与主机可达性、CPU和内存、磁盘与文件系统、网络质量、关键服务与应用响应。

阈值不宜直接照搬一套固定数值。CPU、内存、磁盘容量可以使用典型起始阈值,再结合美国机房的实例规格、磁盘类型、业务高峰和带宽上限调整;公网延迟和丢包则必须明确监控点位置。Zabbix中的每条告警都应同时具备触发条件、持续时间、恢复条件和责任标签,否则很容易出现短时抖动频繁通知、真正故障却无法定位的问题。

先确认首批监控的验收边界

关键对象:监控链路和时间基准

核对项:

  • Zabbix Server或Proxy能够持续连接美国服务器。
  • Zabbix Agent状态正常,关键监控项没有长期处于“未知”“不支持”或“无数据”。
  • 服务器系统时间、Zabbix Server时间和前端展示时区可对应。
  • 服务器所在地区、机房、业务线、负责人和环境标签已经写入主机或触发器标签。
  • 监控连接使用的端口只对指定监控端开放,不把Agent管理端口直接暴露给整个公网。
  • 主机重启、Agent停止、采集项失效都能形成可区分的事件。

判断依据:

美国服务器并不等于必须使用美国当地时间。生产环境更适合统一使用UTC作为日志和事件基准,再在Zabbix前端按值班团队需要显示本地时间。如果服务器使用美国东部时间,而Zabbix前端使用UTC,夏令时切换期间可能出现维护窗口、日志时间和告警时间对不上的问题。

监控节点的位置也会影响判断。如果Zabbix Server部署在亚洲,直接用它测美国服务器的ICMP延迟,测到的是跨洲路径和中间运营商的综合结果,不应把这个数值当成美国机房本地网络质量。主机存活可以由Zabbix Server或Proxy判断;面向用户的HTTP响应时间,则应使用更接近用户访问区域的探测点,至少在告警说明中标明测试来源。

先确认首批监控的验收边界/监控链路和时间基准配图

关键对象:主机可达性

核对项:

  • ICMP可达性或TCP连通性。
  • Agent主动采集和被动采集是否符合网络设计。
  • SSH、RDP等管理入口是否需要纳入监控,且不把一次管理连接失败直接等同于服务器宕机。
  • 主机重启、网络中断、Agent进程停止分别能够产生不同事件。

建议的起始判断:

监控对象示例初始条件判断依据
主机网络可达连续3次探测失败,持续约3分钟过滤一次性丢包,但不能掩盖持续中断
Agent无数据超过预期采集周期的3倍仍无数据与主机不可达区分,可能是Agent、权限或采集配置问题
关键TCP端口连续3次连接失败只说明端口无法建立连接,不代表应用协议一定正常
主机重启记录启动时间变化重启本身不必都升级为高等级告警,应结合维护窗口判断

ICMP可能被防火墙或云平台策略限制,因此“Ping失败”不能单独作为宕机结论。更稳妥的验收方式是组合判断:主机可达性、Agent数据、关键端口和应用健康检查至少选择两类。若只有ICMP失败而Agent和业务探测正常,应标记为网络探测受限,而不是立即通知服务器宕机。

关键对象:Zabbix自身的采集能力

核对项:

  • Zabbix Server或Proxy的队列没有持续堆积。
  • 关键主机的采集间隔、超时和数据保留策略符合业务需求。
  • 数据库空间、Zabbix进程状态和前端可用性纳入基础监控。
  • 采集失败、权限不足、模板不兼容等问题有单独告警。

判断依据:

如果Zabbix队列已经延迟数分钟,所有主机“暂时正常”的状态都可能是旧数据。监控系统自身属于首批必须验收的对象,但不需要一开始监控它的所有内部指标。优先关注队列延迟、不可用监控项数量、数据库空间和Server/Proxy进程状态。

告警中应保留host、service、environment、region、severity等标签。这样同一台美国服务器出现“主机不可达”“HTTP探测失败”“Agent无数据”时,可以通过依赖关系和标签合并通知,而不是产生多条内容相同的告警。

CPU和内存:确认资源紧张是否已经影响服务

关键对象:CPU使用率、运行队列和虚拟化窃取时间

核对项:

  • CPU总使用率、用户态、内核态、IO等待分别可见。
  • Linux主机记录1分钟、5分钟和15分钟Load Average。
  • 虚拟机环境关注CPU Steal Time。
  • 告警条件包含持续时间,不仅使用瞬时百分比。
  • CPU告警能够关联到进程、请求量或应用响应时间。

建议的起始判断:

指标警告参考值严重参考值判断重点
CPU使用率超过85%,持续10分钟超过95%,持续5分钟需要结合业务高峰和IO等待
归一化Load1分钟Load除以逻辑CPU数持续大于1持续明显高于1且响应变慢Load大于1表示每个逻辑CPU平均存在等待,不等于CPU百分比
IO Wait超过15%,持续10分钟超过30%,持续5分钟可能是磁盘或网络存储瓶颈
CPU Steal超过10%,持续5分钟超过20%,持续5分钟虚拟机未获得预期物理CPU时间

例如,一台8个逻辑CPU的Linux服务器,1分钟Load为8,只能说明运行队列和不可中断任务达到一个需要关注的水平;如果Load为16,则说明平均等待明显增加。但Load还会受到磁盘IO影响,不能单独证明CPU已经耗尽。

CPU使用率超过85%可以作为初始警告,但批处理、编译、报表任务可能在固定时段正常达到这个水平。验收时应查看至少一个业务高峰周期,确认阈值是否会在正常窗口内频繁触发。若CPU高、IO Wait低、应用延迟同时升高,优先检查进程或请求量;若CPU不高但IO Wait高,则不应继续提高CPU告警级别,而要转向磁盘指标。

关键对象:内存可用量和交换空间

核对项:

  • Linux优先监控MemAvailable,而不是只看free。
  • Windows分别关注Available Memory和分页活动。
  • Swap或Pagefile使用量、换入换出速率单独监控。
  • 内存告警与OOM、进程退出、应用响应变慢建立关联。
  • 不把“交换区已使用”直接等同于内存故障。

建议的起始判断:

指标警告参考值严重参考值判断依据
可用内存占比低于10%,持续10分钟低于5%,持续5分钟以系统可用内存为准,并结合进程增长
Swap换入换出持续出现且伴随响应变慢持续高频换入换出比单纯Swap已使用更能说明压力
OOM或内存分配失败出现一次即告警可升级为高等级事件直接说明应用或系统分配内存失败
单进程内存增长连续多个采样周期增长接近资源上限或触发回收用于识别泄漏前兆,而非只等到宕机

内存告警应同时看趋势。比如服务器还有20%可用内存,但某进程在过去6小时持续增长,按当前速度预计几个小时后会达到上限,这类趋势告警比等到可用内存低于5%更有价值。对短时间批处理任务,可以设置较长观察窗口或维护时段,避免把正常的内存峰值升级为故障。

磁盘和文件系统:优先发现“快要写满”和“已经变慢”

关键对象:文件系统容量和inode

核对项:

  • 根分区、应用数据分区、日志分区、临时目录分别监控。
  • 排除虚拟文件系统、容器临时挂载点和不需要告警的只读挂载点。
  • Linux文件系统同时关注空间和inode。
  • 对增长较快的日志或数据库目录设置趋势告警。
  • 磁盘空间告警标明挂载点,不只显示主机名。

建议的起始判断:

指标警告参考值严重参考值判断依据
文件系统剩余空间低于20%低于10%或低于5%数据库、日志分区应使用更保守阈值
inode剩余比例低于10%低于5%大量小文件可能在容量未满前耗尽inode
预计耗尽时间少于7天少于3天结合近一段时间的实际增长速度
日志目录增长高于历史基线持续增长且影响可用空间与应用错误量或异常重试关联

容量告警不能只看百分比。一个1TB数据盘剩余10%,仍有约100GB;一个40GB系统盘剩余10%,只剩约4GB,风险完全不同。对于预计耗尽时间,可用“当前可用空间除以近一段时间的日均增长量”估算。比如剩余120GB,最近每天增长8GB,预计约15天耗尽;这只是容量趋势参考,不能替代对日志轮转、备份和数据库增长的检查。

inode只适用于支持该概念的文件系统。大量缓存文件、邮件队列、临时文件可能导致inode先耗尽,因此Linux服务器不应只采集磁盘GB数。Windows则应关注卷剩余空间和应用写入错误,不应机械套用inode阈值。

关键对象:磁盘延迟和IO压力

核对项:

  • 监控磁盘读写延迟、队列长度和IO Wait。
  • 区分系统盘、应用盘、数据库盘和网络挂载盘。
  • 以业务响应时间验证存储告警是否有实际影响。
  • 不把一次备份、快照或日志压缩造成的短峰值直接升级。

判断依据:

SSD、HDD和网络存储的正常延迟范围不同。可以先把读写延迟持续超过20毫秒作为警告、超过50毫秒作为严重参考,但数据库和高并发应用应以历史基线调整。单次延迟峰值通常只需要记录;连续5至10分钟升高,并同时出现IO Wait、队列长度或应用响应时间上升,才更接近需要处理的故障前兆。

如果磁盘空间正常、CPU使用率不高,但HTTP响应时间和数据库查询时间同时上升,磁盘延迟往往比CPU百分比更有解释力。告警内容应明确具体设备或挂载点,避免只通知“磁盘IO异常”而无法判断影响对象。

网络:把服务器本地接口、公网路径和业务响应分开

关键对象:网卡错误、丢包和带宽使用

核对项:

  • 网卡接收错误、发送错误、丢包、重传等指标。
  • 实例或端口带宽使用率。
  • 运营商或云平台的出站流量配额、95分位计费指标或月度流量上限(如果服务有此限制)。
  • 区分服务器接口异常、机房路径异常和单一探测点异常。
  • 明确流量单位是Byte还是bit。

建议的起始判断:

指标警告参考值严重参考值判断依据
带宽使用率持续超过端口能力80%持续超过90%需要结合突发带宽和服务商整形策略
网卡错误或丢包连续采样持续增加快速增加并伴随连接失败优先检查接口、虚拟交换和上游网络
出站流量达到日常基线的1.5至2倍接近配额或持续异常增长可能是流量突增、重试或配置错误
公网探测丢包5分钟平均超过1%超过3%且多个探测点一致单点丢包不能直接归因于服务器

带宽计算要注意单位。例如,十进制口径下,60秒发送1GB数据,平均速率为:

1GB × 8 × 1000 ÷ 60 = 133.3Mbps

其中GB按十进制计算,结果是Mbps,不应把1GB直接当成1Gb,也不应把MB/s和Mbps混为一谈。Zabbix采集的网络接口字节计数通常需要结合采样间隔换算为bit/s,再与端口或实例的带宽上限比较。

A5数据提供美国物理服务器,涵盖常规Xeon、AMD EPYC等系列,可为网站、接口和数据库业务提供不同档位的计算、内存与存储资源。美国常规系列另有CN2 GIA线路方案,结合不同产品的带宽配置,为面向美国用户及跨境访问的业务提供网络资源选择。这些资源也与文中关注的主机负载、磁盘读写和公网响应等监控对象相对应。

关键对象:跨区域网络延迟和公网业务探测

核对项:

  • ICMP延迟、TCP连接时间、TLS建立时间、HTTP首字节时间分别采集。
  • 记录探测点所在区域,不把亚洲到美国的延迟作为美国本地用户体验。
  • 至少配置一个接近主要用户来源的探测点;关键业务可增加第二个区域用于交叉判断。
  • HTTP检查包含状态码、响应内容或健康字段,而不只检查TCP端口。

判断依据:

跨洲网络的正常延迟通常高于同区域访问,因此不能把某个固定毫秒数直接套给所有美国服务器。更实用的方法是先采集7天左右的基线,再按基线设置告警。例如,平时TCP连接时间约80毫秒,若连续5分钟升至250毫秒以上,同时HTTP首字节时间和丢包率也升高,可以作为路径或服务退化的告警;如果只有一个探测点延迟升高,则应先标记为局部路径异常。

TCP端口可连接只表示连接建立成功,不能证明Nginx、应用进程或数据库工作正常。面向HTTP服务,建议同时检查状态码、关键响应字段和响应时间。返回200但响应内容为空、健康接口报错或首字节时间持续升高,都应与“端口开放”区分处理。

关键服务和应用:不要只监控进程是否存在

关键对象:服务进程、监听端口和协议响应

核对项:

  • 服务是否运行。
  • 关键端口是否监听。
  • 端口接受连接后,协议请求能否完成。
  • HTTP状态码、TLS证书有效期、响应时间和健康检查字段是否正常。
  • 服务重启次数和启动后恢复时间是否异常。

建议的起始判断:

检查层级建议纳入内容典型告警条件
进程层服务进程数量、运行状态进程消失或反复重启
端口层TCP监听和连接建立连续3次连接失败
协议层HTTP、HTTPS、数据库或队列的实际请求连续3次请求失败或返回异常
应用层错误率、请求延迟、队列长度5分钟窗口持续超过业务基线
证书层证书到期时间剩余30天提醒,7天升级

进程存在不代表服务可用。应用可能已经死锁、线程池耗尽、数据库连接池满,仍然保持着进程和监听端口。首批至少要为对外服务配置一个协议级检查,为关键内部依赖配置一个可验证的健康指标。

HTTP错误率可以用作应用告警,但要设置最小请求量。例如5分钟内只有2个请求,其中1个失败,错误率为50%,并不一定值得升级。可以采用“错误率超过2%且失败请求数达到一定数量”作为警告,“超过5%且持续5分钟”作为严重参考,再结合业务基线调整。低流量服务则更适合使用连续失败次数和健康接口结果。

关键对象:应用故障前兆

核对项:

  • HTTP 5xx数量和比例。
  • 请求延迟的平均值与高分位值,如P95或P99。
  • 数据库连接池使用率、慢查询数量或连接失败数。
  • 消息队列积压量、任务失败数或重试次数。
  • 应用错误日志中的关键模式,但避免对每一条普通日志都告警。

判断依据:

故障前兆通常先表现为延迟升高、重试增加、队列积压或连接池接近上限,随后才出现服务不可用。若只监控“服务停止”,告警往往已经晚了一步。

应用指标不宜全部直接发送到值班电话。可以按影响分类:

  • 影响用户请求的5xx、健康检查失败和持续高延迟,进入高等级事件。
  • 队列积压、连接池使用率接近上限、慢查询增加,先作为预警并关联趋势图。
  • 单条业务异常日志进入事件流或统计项,只有达到数量阈值、持续时间阈值或出现明确致命模式时才触发通知。
  • 正常重启、备份期间的慢查询和计划任务产生的日志,应通过维护窗口或标签抑制。

告警降噪:每条告警都要能说明“何时触发、何时恢复”

关键对象:触发器的持续时间和恢复条件

核对项:

  • 是否使用连续采样、平均值或计数窗口,而不是单点值。
  • 是否设置恢复阈值,避免指标在临界值附近反复开关。
  • 是否区分Warning、High和Disaster等严重级别。
  • 是否为“无数据”“采集失败”和“指标超阈值”分别定义处理方式。
  • 是否为短时网络抖动、维护窗口和计划任务设置例外。

建议的设计方式:

类型触发示例恢复示例
瞬时异常通常只记录,不立即通知指标恢复即可关闭
持续资源压力超阈值持续5至10分钟低于恢复阈值并持续数个周期
服务不可用连续3次协议检查失败连续2至3次成功
趋势风险预计数天内耗尽磁盘处理增长源或可用空间明显恢复
监控链路中断超过采集周期的3倍无数据数据连续恢复

恢复阈值应与触发阈值拉开一定距离。例如可用内存低于10%触发警告,不要一恢复到10.1%就关闭,可以要求恢复到15%或连续多个周期正常。这样能避免指标在边界附近波动时不断产生恢复和重新触发事件。

“无数据”需要谨慎处理。服务器停机时,很多监控项会同时无数据;如果每个监控项都单独告警,会形成告警风暴。应让“主机不可达”作为上层事件,其他依赖项使用事件依赖关系抑制,最终通知中保留主因和受影响服务。

关键对象:告警路由、依赖关系和维护窗口

核对项:

  • 主机宕机时,是否抑制该主机下的Agent、磁盘和服务连锁告警。
  • 不同严重级别是否对应不同通知渠道和响应时限。
  • 告警是否包含主机名、美国区域、IP或业务域名、指标、当前值、阈值、持续时间和处理链接。
  • 维护窗口是否覆盖美国当地时间与UTC之间的换算。
  • 告警恢复通知是否保留原始事件编号和持续时间。

判断依据:

一条可以执行的告警至少应回答四个问题:哪台主机、哪个对象、当前值是多少、需要谁在什么时间处理。只写“CPU异常”无法支持交付验收,也无法区分是Web服务器、数据库服务器还是监控节点。

告警依赖关系应围绕故障传播路径配置。例如美国服务器不可达时,主机下的Agent无数据、HTTP探测失败和文件系统采集失败可以作为从属事件;但来自另一个区域的HTTP探测仍可独立保留,因为它可能帮助判断是主机故障还是单一路径故障。

告警降噪/告警路由、依赖关系和维护窗口配图

交付验收时的最小核对清单

可以按以下顺序逐项确认,不要求一次性纳入所有进程和日志:

  1. 主机可达性:确认主机、Agent、关键端口和时间基准正常,能区分网络中断与Agent故障。
  2. CPU与内存:确认CPU使用率、Load、IO Wait、可用内存和交换活动有数据,并且阈值带有持续时间。
  3. 磁盘与文件系统:确认系统盘、数据盘和日志盘分别监控空间;Linux主机补充inode和磁盘延迟。
  4. 网络质量:确认网卡错误、带宽、流量增长和公网探测可见,并标注探测点区域。
  5. 关键服务:确认进程、端口、协议响应和至少一项应用级指标,不以进程存在代替服务可用。
  6. 告警治理:确认严重级别、恢复条件、依赖关系、维护窗口、负责人标签和通知渠道可用。
  7. 监控系统自身:确认Zabbix Server或Proxy队列、数据库空间、采集失败和前端状态不会形成监控盲区。

验收留证时,至少保留一份主机清单、模板和触发器列表、关键指标图表、告警事件记录及恢复记录。测试告警不必通过破坏生产服务完成,可以在维护窗口内使用低风险方式验证通知链路,并记录触发时间、通知时间、恢复时间和事件编号。

首批运行一段完整业务周期后,应复核三类数据:正常高峰是否频繁误报、真实资源消耗是否接近阈值、告警发生时是否能直接判断影响对象。对于美国服务器,还要单独检查跨区域延迟基线、时区显示和公网探测来源。只有在这些基础指标稳定后,再按业务需要增加数据库、容器、队列或更细的应用指标,避免一开始把大量低价值采集项变成新的噪声来源。

本文由A5数据原创发布,转载请注明出处:https://www.a5idc.com/helpcontent/5820.html

相关推荐