分可用性与资源两条线搭监控，给出指标、阈值与告警收敛的具体做法。文中数据为区间参考，线路与资源会变，下单前建议用测试 IP 自行复测。
下面把判断依据、实测区间与落地动作拆开讲，涉及 服务器监控、网站监控、资源监控 的关键点都给出了可验证的标准。
HTTP 探针每 1 分钟一次，同时校验状态码与关键字，只测 200 会出现「白页也算正常」的漏报。
CPU、内存、磁盘使用率、磁盘 IO 等待、网络出入带宽五项必看；磁盘告警阈值设在 85% 而不是 95%。
接口 P95 延迟、5xx 比例、队列积压量，这三项比 CPU 更能反映真实故障。
同一实例 5 分钟内只发一次，分级到人；夜间只推 P1，否则一周就会被静音。
指标至少保留 30 天，故障后对着曲线看时间点，比凭记忆靠谱。
| 环节 | 关键动作 |
|---|---|
| 可用性监控 | HTTP 探针每 1 分钟一次，同时校验状态码与关键字，只测 200 会出现「白页也算正常」的漏报 |
| 资源监控 | CPU、内存、磁盘使用率、磁盘 IO 等待、网络出入带宽五项必看；磁盘告警阈值设在 85% 而不是 95% |
| 业务指标 | 接口 P95 延迟、5xx 比例、队列积压量，这三项比 CPU 更能反映真实故障 |
| 告警收敛 | 同一实例 5 分钟内只发一次，分级到人；夜间只推 P1，否则一周就会被静音 |
Q：这些数据与标准多久需要重新核对一次？
线路、清洗资源和价格都会变，建议每季度复测一次；换机房或换供应商时必须重新测，不要沿用旧结论。
Q：按文中的步骤做完，还需要注意什么？
把处理过程和最终生效的参数记下来。同类问题再出现时直接对照记录，比重查一遍快得多。
Q：业务规模小，也要按这套标准来吗？
不需要一次到位。先把影响最大的两项做到位，剩余的随着业务增长逐步补齐，比一开始就追求完美更容易落地。
回到这篇的 5 个环节：可用性监控、资源监控、业务指标、告警收敛、留痕与复盘。建议把这次的数据存成基线，下次复测直接对比，判断趋势比看单点更可靠。
微信公众号
微信客服
