什么是故障排查与监控告警设置
故障排查是识别系统异常或性能瓶颈的过程，监控告警设置则是通过实时数据采集与阈值判断，提前预警潜在风险。两者结合可提升系统稳定性与决策效率。在做选择前，需先确认目标、约束条件和可验证指标，确保后续操作有明确依据。
- RTO表示恢复服务所需时间目标，RPO表示可接受的数据丢失时间窗口，两者决定备份和容灾方案强度。
- 基础监控通常覆盖资源指标、业务指标、错误指标和外部可用性指标。告警应区分通知、升级和自动化处理。
操作步骤：故障排查与监控告警设置
1. 确认目标与约束条件：明确需要监控的系统范围、性能指标和风险容忍度。2. 选择监控工具：根据预算和需求选择云厂商原生监控、第三方工具或自研方案。3. 配置监控指标：覆盖CPU、内存、磁盘、网络、P95延迟、错误率等核心指标。4. 设置告警规则：区分通知、升级和自动化处理，设置阈值并绑定通知渠道。5. 验证与优化：通过模拟故障或历史数据验证告警有效性，并持续优化阈值与规则。
- 确认目标与约束条件
- 选择监控工具
- 配置监控指标
- 设置告警规则
- 验证与优化
检查清单：关键指标与风险信号
在设置监控告警前，需核对以下关键指标与风险信号：1. CPU使用率是否持续高于80%；2. 内存水位是否接近100%；3. P95延迟是否超过业务SLA；4. 错误率是否异常升高；5. 外部可用性是否低于99.9%；6. 单区故障是否频繁；7. 账单是否失控；8. 安全组是否暴露高危端口。记录这些信号可为后续决策提供数据支持。
- CPU使用率是否持续高于80%
- 内存水位是否接近100%
- P95延迟是否超过业务SLA
- 错误率是否异常升高
- 外部可用性是否低于99.9%
- 单区故障是否频繁
- 账单是否失控
- 安全组是否暴露高危端口