告警太多等于没有告警。Linux 上的问题大多有明确原因，难的不是解决，而是先定位到是哪一层出的问题。

下面按“先判断范围、再处理、最后防复发”的顺序展开，涉及 监控、告警 的关键动作都给了具体做法，可以照着走。

采集

node_exporter 覆盖 CPU、内存、磁盘、网络。

动手前先确认影响范围，能局部处理就不要影响整机。

应用

站点探活与端口探测比 ping 更有意义。

容易踩的坑：最容易出问题的是细节不一致：版本、路径、参数任意一处对不上，现象就和预期差很远。

阈值

按业务基线设，避免固定 80% 一刀切。

拿不准的时候先做备份再做变更，成本最低。

收敛

分级通知，P0 电话、P1 群消息。

常见问题

Q：监控这类问题，最快的判断办法是什么？
先确认现象的范围：只有单台还是全部、只在某个时段还是持续。范围一缩小，原因基本就浮出来了。

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。

小结

回到这篇的四个环节：采集、应用、阈值、收敛。以上步骤按顺序做完，同类故障基本能自己处理。留一份操作记录，下次能省一半时间。

相关阅读：平滑升级与计划内重启、日志占满磁盘怎么长期治理、服务器被入侵怎么排查。