硬件资源数据、性能健康数据、业务运行数据,这些数据决定了服务器的稳定性、响应速度和成本效率,运维人员真正要盯住的指标其实不超过十五个。
搞清楚服务器上哪些数据值得记录,比单纯看一堆监控图表更有意义,服务器本身不会说话,它把状态写进CPU、内存、磁盘、负载和进程里,问题出现之前,这些数据一定会先发生变化,下面按照实际运维中查看数据的频率和优先级,逐一拆解。
硬件资源数据:机房里的“体检报告”
硬件资源数据回答一个基本问题:机器够不够用,这类数据看起来简单,但最容易误判,高峰期一下子打满,平时又空得让人心安理得。
服务器CPU和内存占用率多少算正常
这是最常见的疑问,用户买的云服务器一开始很流畅,等业务上线就卡顿,然后盯着监控面板里的CPU使用率和内存使用率发愁,多数情况下,CPU使用率在70%以下属于健康区间,超过80%且持续十分钟以上,就要排查是否有慢查询、爬虫抓取或死循环进程,阶段性的CPU跑满则相对危险,比如网站遇到瞬时流量高峰,出现短暂飙升,实际上也是服务器的正常应激反应。
内存的视角略有不同,只看百分比容易误伤。缓存占用不一定是坏事,Linux系统会把空闲内存拿来当page cache,用于加速文件读写,如果你用free -m看到used很高,而buff/cache也占了相当一部分,不用急着加内存,真正的危险信号是swap分区开始持续读写,意味着物理内存已经不够用,不得不往磁盘里倒腾数据,这时top或free输出里的si和so如果长期不为0,内存就确实需要扩容了。
磁盘与带宽:撑起体验的隐形指标
磁盘数据和网络数据在服务器关键数据列表里排在第三、第四位,但出问题时的症状反而更明显,磁盘不能简单只盯剩余空间,inode耗尽是比空间不足更隐蔽的陷阱,小文件太多,比如缓存目录、会话文件积压,inode用完了,服务器依然会报“No space left on device”,另一个隐蔽指标是磁盘I/O等待时间(iowait),数值长期偏高说明磁盘读写能力跟不上业务需求,数据库服务器尤其要额外关注这个值。
带宽数据同样细分为入方向和出方向,入方向代表用户上传和请求流量,出方向代表页面内容和文件下载流量,视频站、下载站主要看出方向,后端API和文件上传业务主要看入方向,带宽打满的典型表现是:页面加载慢、用户图片裂开、接口白屏,服务器CPU和内存却平静得很,捕捉这类短期网络流量,用iftop或nload看实时曲线比事后看云端监控图更直接。
怎么查看服务器CPU和内存占用率:几行命令就能定位
从工具和实操入手,掌握最基础的排查技巧比记住一堆概念更重要,命令输出的原始数据,其实就是服务器对当下状态的“口述”。
top、free、vmstat组合起来的判断方法
top:第一行显示load average(系统负载),这个数字要跟前几天的数据对比才有意义,它代表运行队列的任务数,超过CPU核心数就说明有任务在排队。free -h:看内存总量、已用、空闲和缓存之间也是各有分工,available这个字段比used更能反映“还能扛多少”。vmstat 2 5:以2秒间隔采集5次,观察r(运行队列)、b(阻塞进程)、si/so(swap换入换出)和wa(I/O等待),这套组合能判断瓶颈是在计算、内存还是磁盘上。
进程级别用top -c按CPU排序,再按M键按内存排序,很容易抓到占用异常的具体进程,比如一个php-fpm进程吃掉2GB内存,或是死循环的Python脚本把单核CPU跑满。
场景差异决定指标侧重点:Web服务器与数据库服务器
同一个CPU使用率,放在不同业务场景里含义完全不同,Web服务器(Nginx、Apache)看的是每秒请求数(QPS)和平均响应时间;数据库服务器提供更偏重纯逻辑层,看的是慢查询数和连接数;图片处理或视频转码服务器,CPU使用率长期逼近满载也正常。
行业共识认为,性能调优前的第一个步骤不是改配置,而是先采集一周以上的服务器关键数据做基线对比,没有业务淡旺季的基线,任何阈值都拍脑袋拍出来的,真正判断阈值,必须结合自己的业务周期来定,没有基线作为参照,运维的监控其实没有标尺。
性能健康数据:服务器状态全在数字里
性能健康数据侧重“好不好用”,它综合反映CPU、内存、负载和网络之间相互作用下呈现出的整体表现,监控不到位的话,等用户报案时故障往往已经持续一段时间了。
系统负载、连接数与进程数
- 系统负载(Load Average):上面提到
top中的load average,需要和CPU核心数对比才能阅读,假设服务器是2核CPU,负载在2左右属于“道路满载但还能走”,超过4就说明进程严重排队,业务响应已经开始受影响,抢不到CPU的任务正在拖慢整体处理速度。 - TCP连接数:用
ss -s查看,重点关注TIME_WAIT和ESTABLISHED的数量,TIME_WAIT大量堆积说明短连接请求频率高,需要调整内核参数复用连接;ESTABLISHED过高且接近上限时,新连接可能被拒。 - 进程数与文件描述符:每个进程占用一个或多个文件描述符,默认限制是1024,现在不少版本已经提升到65535,但仍不够用,高并发连接下,
too many open files报错会直接出现在日志里,这也是服务器关键数据中比较容易忽略的一项。
响应时间与错误率
再豪华的配置也挡不住业务层的拖后腿,日志里的响应时间和错误率比硬件指标更贴近用户实际体验,用TLB show监控页面耗时,用tail -f application.log配合grep "ERROR"统计错误比例,大多情况下一查一个准,上面这些命令无法完全覆盖当前主流的监控自动采集,但定期手动抽查可以帮你在还没有部署专业监控之前,先把数据看明白。
服务器监控工具的选型与告警阈值
数据采集后只是基础,关键在于解读和联动,当前的主流监控工具能把指标汇总到一张看板,再自动发出告警,部署之前,先列清单:哪些数据是必须看的,哪些是锦上添花的,如果按云服务器售价来算,监控覆盖得越多,少走的弯路越多,额外的系统开销也相应提升,要量力而行。
最小可行监控清单
| 数据维度 | 常用命令/工具 | 异常信号 | 建议关注频率 |
|---|---|---|---|
| CPU使用率 | top、sar -u |
持续>80%,load高于核数 | 实时 |
| 内存使用 | free -h、nmon |
swap持续读写 | 实时 |
| 磁盘空间 | df -h、df -i |
空间或inode<20% | 每5分钟 |
| 磁盘I/O | iostat -x |
%util接近100% |
每5分钟 |
| 网卡流量 | iftop、sar -n DEV |
出入方向接近带宽上限 | 每5分钟 |
| 进程/连接数 | top、ss -s |
连接数触顶、僵尸进程堆积 | 实时 |
告警阈值怎么定,为什么不能照搬
告警阈值需要结合业务周期和机器规格来定,没有业务背景的裸阈值都是空中楼阁,业内专家指出,初期可以按照以下思路设置:CPU使用率超过85%持续10分钟、内存可用量低于总量20%、磁盘空间剩余不足10%、负载超过CPU核数2倍,这些条件同时满足再触发告警,可以大幅减少误报,需要说清楚的是,这些阈值属于经验值,并不适用于所有场景,比如夜间定时备份时CPU和磁盘I/O升高,就是正常现象,没必要惊动值班人员。
如果用的是简米云、酷番云或华为云的服务器,平台自带的监控面板已经覆盖了CPU、内存、磁盘、带宽这些基础指标,不必额外部署agent。自建监控像是Prometheus加Grafana组合,适合对历史数据有长期留存需求、或者有多台服务器需要统一看板的团队,先把自己手里最小的监控闭环跑起来,再逐步加指标,比一开始就上一个庞大监控系统更实际。
Q&A:关于服务器关键数据有哪些,最常见的问题
服务器CPU使用率100%还能继续运行吗?
短时间100%通常不会立即导致宕机,但持续超过几分钟就会让响应时间明显拉长,甚至触发内核的负载保护机制,先通过top定位消耗CPU的进程,确认是否业务真实需求,再决定扩容或优化代码。
服务器内存占用率很高,要不要马上加内存?
先看free -h里的available字段和swap使用情况,如果available充足、swap没有读写,那高占用就可能只是缓存策略造成的表面现象,不需要花升级内存的钱;只有可用内存告急且swap繁忙时,才考虑扩大内存配置。
哪种监控工具最能直接呈现服务器关键数据?
中小型项目首选云平台自带监控控制台,零部署成本,多台服务器或需要深度定制的场景,考虑Prometheus搭配node_exporter,这个组合采集CPU、内存、磁盘、网络四大方向足够,且开源免费,监控的核心是坚持看数据、对比数据,然后驱动下一步动作。
首发原创文章,作者:王坚,如若转载,请注明出处:https://idctop.com/article/803946.html


