服务器监控怎么选？避开三个常见坑，从被监控到自监控

手里只有一两台服务器的时候，监控基本靠感觉。网站打不开就 SSH 上去敲 top，看一眼 CPU 和内存，重启一下服务，又能撑几天。这种状态持续到第三台、第五台机器上线，问题就来了——你不知道哪台在偷偷跑满带宽，也不知道磁盘什么时候会写满。等到用户反馈打不开，才发现是某个进程把内存吃光了。

监控这件事，难点不在装软件，在于想清楚你要盯住什么。是 uptime 还是资源曲线？是进程存活还是业务指标？我见过不少人一开始就上全套 Prometheus 加 Grafana 加 Alertmanager，结果告警规则没调好，每天收几百条邮件，最后干脆把通知关了。也见过只用 ping 脚本的，机器是活的，磁盘满了照样挂。

所以选监控，本质上是选一套你愿意持续维护的方案。下面按从简到繁的顺序，把几个主流路线的适用场景和坑点拆开说。

先想清楚：你要监控的是机器还是业务

这个问题决定了后面所有选型。如果只是想知道服务器有没有宕机、CPU 有没有跑满、磁盘还剩多少，那属于基础设施监控，工具选择面很宽。如果你还想知道数据库连接数、接口响应时间、队列积压量，那就得考虑业务指标采集，方案复杂度会上一个台阶。

我一般会建议先做基础设施监控，把 uptime、CPU、内存、磁盘、网络这五项跑通，再考虑业务层。原因很简单：机器挂了，业务指标再全也没用。而且基础设施监控的数据采集方式比较统一，多数工具开箱即用。

反过来，一上来就搞业务监控，往往连机器本身的资源瓶颈都没定位到。比如接口变慢，你以为是代码问题，结果一查是磁盘 IO 跑满了——这种事在机械盘机器上太常见了。

另外，物理服务器和云服务器的监控侧重点不太一样。物理机你得自己盯硬件健康，比如磁盘 SMART 信息、RAID 状态、网卡丢包。云服务器这些由平台兜底，你只需要关注 OS 层面。如果你用的是秀米云的香港自营物理服务器，建议把 IPMI 或带外管理也纳入监控范围，硬件告警比系统告警来得更早。

三条主流路线，各自适合谁

目前市面上用得最多的方案，大致可以归为三类。我不按优劣排，按上手难度排。

• Zabbix：老牌方案，一台 4 核 8G 的机器就能跑 Server 端，Agent 装在被监控机上。优点是开箱即用、模板多、物理机纳管方便。缺点是界面偏重，自定义监控项写起来有点绕。
• Prometheus + Node Exporter + Grafana：云原生时代的主流。Prometheus 负责拉数据，Node Exporter 采集主机指标，Grafana 出图。数据粒度细，查询语言 PromQL 很灵活。缺点是要自己拼装，告警规则得手写，存储默认只保留 15 天。
• 轻量脚本 + 通知通道：用 cron 跑 shell 脚本，检测到异常就发邮件或 webhook。适合机器数量少、不想维护额外服务的场景。缺点是数据不留存，没法回溯趋势。

机器在 10 台以内，我倾向于先上 Prometheus 那套。Node Exporter 装完就有 CPU、内存、磁盘、网络的详细指标，Grafana 看板社区有现成模板，15 分钟内能看到第一张图。Zabbix 更适合有物理机资产需要统一纳管的团队，比如同时管着十几台独立服务器、还要监控交换机端口状态的。

如果你手上正好是秀米云的机器，比如香港自营物理服务器 ① 这种 E3-1230 V2 配 16G 内存的配置，拿它单独跑一套 Prometheus 加 Grafana 绰绰有余。Prometheus 本身吃内存不多，但如果你要保留 90 天以上的数据，磁盘得留够，按每秒 1 万个样本估算，一个月大约需要 10 到 15GB 存储。

告警配置才是真正花钱的地方

工具装好只是开始。告警规则写得好不好，直接决定这套监控是帮你还是烦你。

我见过最常见的坑是阈值设得太紧。CPU 超过 80% 就告警，结果每天下午业务高峰准时收到通知，一开始还紧张，后来直接无视。等真正出问题的时候，那条告警淹没在几十条同类通知里，根本没人看。

我的做法是分两级。CPU 持续 5 分钟超过 90% 才发通知，内存超过 85% 且持续 10 分钟才提醒。磁盘空间低于 15% 直接告警，这个不用犹豫，磁盘写满会导致服务直接挂掉。网络方面，丢包率超过 1% 就值得看一眼，尤其是用大带宽机器跑业务的，丢包往往意味着线路有问题。

另一个坑是告警通道太单一。只发邮件的话，半夜没人看。只发短信的话，数量一多成本上去了。比较稳妥的组合是：一般告警走 IM 群机器人，严重告警走电话或短信。区分标准可以简单点——机器宕机、磁盘写满、服务不可用走严重级别，其余走一般级别。

还有一点容易被忽略：告警恢复通知。很多人只配了触发通知，没配恢复通知。结果告警响了，你处理完，但不确定是不是真的恢复了。加上恢复通知，心里有底。

如果你用的是秀米云的高防服务器，比如美国西雅图高防服务器19，建议额外监控流量清洗状态。高防机器被攻击时，流量会先绕到清洗中心，这时候源站的监控数据可能出现异常波动，提前知道能避免误判。

被监控的那台机器，也需要有人盯着

这是个容易被绕过去的点：监控系统本身跑在哪？

如果你的 Prometheus 和 Grafana 都装在同一台被监控的业务机上，那这台机器一挂，你连告警都收不到。至少要把监控端和被监控端分开。机器数量不多的话，找一台低配机器专门跑监控就行。秀米云的香港国际大带宽VPS云服务器 8H 10G 的配置，用来跑监控端成本不高，月付 $15.13 这个价位，比业务机出问题再补救划算得多。

监控数据本身也要考虑保留策略。Prometheus 默认保留 15 天，对于排查突发问题够用，但如果你想看月度趋势，就得调大保留时间或者接远程存储。我的经验是，保留 30 到 60 天的原始数据，再对关键指标做降采样长期保存，这样既能查细节，又不至于把磁盘撑爆。

最后，监控系统要定期演练。拔掉一台机器的网线，看告警多久能到、通知内容是否准确、恢复后是否自动消除。这件事花不了半小时，但能让你在真正出故障时少慌一半。

总结一下我的选型建议：5 台机器以内，cron 加脚本够用，省心；10 台左右，Prometheus 加 Grafana 是最平衡的选择，装完就能用；超过 20 台且有物理机纳管需求，再考虑 Zabbix 或商业方案。价格方面，监控端机器月付控制在 100 元以内完全可行，重点是把告警规则调准，而不是买多贵的工具。