马来西亚云服务器搭建性能监控与故障告警最佳实践

1. 环境准备与基本安全设置

1) 操作系统示例：使用 Ubuntu 20.04/22.04。SSH 登录后先执行：sudo apt update && sudo apt upgrade -y。
2) 建议创建监控用户：sudo adduser monitoring；并配置公钥登录：在 /home/monitoring/.ssh/authorized_keys 写入你的公钥。
3) 防火墙规则：允许 22 (SSH)、9090 (Prometheus)、3000 (Grafana)、9100 (node-exporter) 端口到指定管理 IP。示例：sudo ufw allow from <管理IP>/32 to any port 9090 proto tcp。

2. 安装 Node Exporter（主机指标采集）

1) 下载并解压最新版：VERSION=1.7.0；wget https://github.com/prometheus/node_exporter/releases/download/v$VERSION/node_exporter-$VERSION.linux-amd64.tar.gz && tar xzf ...。
2) 创建 systemd：/etc/systemd/system/node_exporter.service 内容指向可执行文件，User=node_exporter；然后 sudo systemctl daemon-reload && sudo systemctl enable --now node_exporter。
3) 在防火墙开放 9100 端口，并在云控制台做健康检查。

3. 部署 Prometheus（数据采集与报警规则引擎）

1) 下载 Prometheus 二进制并解压，创建 /etc/prometheus/prometheus.yml。基本 scrape 配置示例：
scrape_configs:\n - job_name: 'node'\n static_configs:\n - targets: ['<主机IP>:9100']。
2) 创建 systemd 服务 prometheus.service 并启动。
3) 配置存储：为 Prometheus 指定 --storage.tsdb.path=/var/lib/prometheus 并确保磁盘有足够 IOPS 和容量。

4. 部署 Grafana（可视化）与自建仪表盘

1) 安装：用官方 apt 仓库或下载 deb 包安装 grafana。sudo systemctl enable --now grafana-server。
2) 在 Grafana 中添加 Prometheus 数据源（URL 指向 http://localhost:9090）。
3) 导入社区 dashboard（如 Node Exporter Full），或者按照 CPU/Memory/Disk/Network 分别建 panel，设置合适的 time range 与 alert visualization。

5. 配置 Alertmanager 与告警通知

1) 安装 Alertmanager 并在 /etc/alertmanager/config.yml 中配置接收器：邮件（smtp）、Slack、Webhook 或 PagerDuty。
2) 在 Prometheus 的 prometheus.yml 添加 alertmanager 的地址：alerting: alertmanagers: - static_configs: - targets: ['localhost:9093']。
3) 编写告警规则文件 alerts.yml 并在 Prometheus 启动参数中引用：常见规则：CPU 使用率持续 5 分钟 > 85%；磁盘空闲 < 10%；主机不可达（up==0）等。示例：
- alert: HighCPU\n expr: 100 - (avg by (instance)(irate(node_cpu_seconds_total{mode="idle"}[5m])) * 100) > 85\n for: 5m\n labels: {severity: "critical"}\n annotations: {summary: "CPU 高负载 on {{ $labels.instance }}"}。

6. 扩展监控：Blackbox/Exporter/日志采集与高可用建议

1) 黑盒探测：部署 blackbox_exporter 用于 HTTP/ICMP/HTTPS 外部连通性检查，并在 Prometheus 中配置 probe。
2) 日志：推介使用 Promtail + Loki + Grafana 或 Filebeat + Elasticsearch + Kibana，配置关键服务日志的抓取和告警（例如 NGINX 5xx、应用异常）。
3) HA 策略：Prometheus 可配置两个副本并通过 Alertmanager 集中管理告警，Grafana 使用外部数据库或文件共享做备份。

7. 问：如何在马来西亚云服务器上快速验证告警是否生效？

问：如何在马来西亚云服务器上快速验证告警是否生效？

答：先在 Prometheus web UI /alerts 查看规则状态，再人为制造故障。示例：临时增大 CPU 负载：sudo apt install stress && stress --cpu 4 --timeout 300s，观察 Prometheus 的 CPU 告警在 5 分钟内触发并通过 Alertmanager 推送到配置的接收器；同时检查 Grafana 面板数据是否波动。

8. 问：如何避免告警泛滥（告警风暴）？

问：如何避免告警泛滥（告警风暴）？

答：使用分级告警（warning/critical）、设置 for 持续时间（避免瞬时抖动触发）、用抑制（routing/ silence）规则对维护窗口静默告警；在 Alertmanager 中配置分组（group_by）与间隔（group_interval、repeat_interval），并对低价值告警降低通知频率。

9. 问：本地化（马来西亚）部署注意网络与合规要点是什么？

问：本地化（马来西亚）部署注意网络与合规要点是什么？

答：确保选择物理靠近用户的机房以降低延迟；根据数据主权与合规（如个人数据保护法 PDPA）评估日志与监控数据的存储位置与加密；在跨境告警通知（如将告警推送到外部云）时加密 webhook 和 SMTP，使用 TLS 及 API 密钥管理。

来源：马来西亚云服务器搭建性能监控与故障告警最佳实践