健康监控覆盖什么
设备健康监控关注三类指标：资源类（CPU、内存、日志存储）、业务类（会话数、新建速率、吞吐、丢包）以及接口状态。指标本身不难采集，难点在阈值——设得太紧会告警风暴，设得太松出问题也不报警。合理做法是先采集一到两周得到自己的业务基线，再按基线设预警与严重两档。
基本信息
| 资源类 | CPU、内存、日志存储与磁盘使用率 |
|---|---|
| 业务类 | 会话总数、每秒新建速率、吞吐、接口丢包与错包 |
| 接口类 | 接口状态变化与链路抖动 |
| 告警分级 | 预警与严重两档，接入通知渠道 |
| 阈值依据 | 基于本环境业务基线与高峰数据，不照抄他人 |
| 扩展范围 | 双机状态、特征库版本与授权到期也纳入监控 |
典型使用场景
- 设备上线后建立基础监控覆盖
- 排查偶发卡顿与丢包时回看历史指标
- 容量规划：按趋势判断何时需要扩容
- 变更前后对比资源占用变化
- 双机场景确认两台设备的负载是否均衡
阈值设置思路
阈值设置思路
CPU 持续 70% 预警、85% 严重 # 关注持续而非瞬时
内存持续 75% 预警 # 看长期趋势
会话使用率 70% 预警 # 结合新建速率一起看
接口丢包率相对基线突增告警 # 对比历史
日志存储使用率 80% 预警 # 留出清理时间指标异常与常见成因
| 指标异常 | 常见成因 |
|---|---|
| CPU 持续偏高 | 策略数量过多、开启调试、攻击流量 |
| 内存持续增长 | 会话表膨胀或存在异常长连接 |
| 会话数突增 | 扫描攻击或应用异常重试 |
| 接口丢包 | 链路质量、拥塞或对端设备问题 |
阈值要基于自身业务基线：直接照抄他人数值，结果通常是误报或漏报。
阈值拍脑袋设置导致告警风暴，值班最后干脆关掉监控：这是监控失效最常见的路径。