阿里云云监控夜间服务器全链路监控告警实操指南

服务器故障高发时段集中在凌晨 2:00---6:00，运维人员值守空档极易错过故障。阿里云云监控可 7×24 小时自动监测服务器各项指标，指标触碰阈值后，按时段差异化推送短信、钉钉、企业微信告警，实现无人值守风险预警。

创建 ECS 实例后自动开通主机基础监控，全程免费，无需额外付费，持续采集 CPU、内存、磁盘、内外网带宽核心指标。

查看入口：云监控控制台 → 云产品监控 → 主机监控，选中目标 ECS 实例，可查看实时指标曲线、近 7 天历史数据，用于故障时段资源水位回溯。
采集粒度正确区分（原文表述错误修正）
- 基础监控（免费默认） ：虚拟化层采集，1 分钟 1 个数据点，中小企业、独立站、个人业务完全够用，不会遗漏持续性过载故障；
- 操作系统高精度监控（付费增值）：安装云监控 Agent 后开启，采集粒度 15 秒，适合 AI 大模型、高负载生产业务，需开通企业云监控产生额外费用阿里云帮助...。
必备前置：高精度磁盘 inode、内存 OOM 监控，必须在 ECS 内安装云监控 Agent 才能采集完整系统内部指标。

创建告警规则需确定监控对象、判定阈值、通知渠道，行业通用稳定配置逻辑如下：

监控对象：选定目标 ECS 实例，指标选用实例资源指标（CPUUtilization、内存使用率、磁盘使用率）；
告警判定过滤逻辑：统计周期 1 分钟，连续 3 个周期超限才触发告警（连续 3 分钟资源过载），过滤定时任务瞬时冲高、短时流量峰值，大幅减少无效告警；
行业安全阈值标准：
- CPU 使用率≥85% 持续 3 分钟：服务器长期满载，页面 / 接口响应缓慢；
- 内存使用率≥90% 持续 3 分钟：内存资源濒临耗尽，极易触发 OOM 强制终止业务进程；
- 磁盘使用率≥85% 持续 3 分钟：预留日志、临时文件写入空间，防止磁盘写满直接宕机；
- 补充磁盘 inode 配套告警：文件节点使用率≥90%，避免磁盘空间充足但无法新建文件。
夜间时段差异化通知（核心适配凌晨故障场景）
- 告警生效时段拆分配置：凌晨 02:00-06:00 高危时段，短信 + 钉钉双重推送；日间 8:00-24:00 仅钉钉、邮箱推送，减少短信打扰；
- 告警沉默周期：告警持续未恢复时，每 15 分钟重复推送一次，避免夜间高频短信轰炸。
通知渠道配置：云监控 - 报警联系人分组，提前录入运维手机号、企业邮箱、钉钉 / 企业微信机器人；支持 Webhook 回调，对接自研运维平台批量同步告警。

主机监控仅采集服务器内部资源，无法判断全球海外用户能否正常访问独立站 / 网站，站点监控依托全球分布式探测节点模拟真实访客发起 HTTP/HTTPS 请求，监控页面时延、站点可用率。

创建可用性探测任务：监控类型选 HTTP/HTTPS，填写业务域名，最低探测间隔 1 分钟；
告警触发条件：页面响应超时 3000ms、站点可用率低于 99%、频繁返回 5xx 服务错误码；
探测节点地域规范（外贸独立站重点修正）：
- 国内客户为主：选用国内多运营商探测节点；
- 出海外贸独立站：勾选新加坡、美西、法兰克福、香港国际探测节点，贴合海外真实用户访问链路，数据无偏差阿里云帮助...；
计费说明：站点监控超出免费额度后按量计费，仅基础主机资源监控永久免费。

主机、站点监控仅覆盖底层基础设施，支付失败、注册报错、接口异常等业务层指标，需通过自定义指标统一接入云监控大盘，业务告警优先级高于服务器资源告警。

指标上报 3 种方式：阿里云 CLI、各语言 SDK、OpenTelemetry 应用探针；
安全上报最佳实践：ECS 绑定RAM 实例角色，实例内部免明文 AK 上报指标，杜绝密钥泄露风险阿里云帮助...；
功能前置限制：混合云指标仓库上报（PutHybridMonitorMetricData 接口）需先开通企业版云监控，免费基础版不支持；上报前创建专属指标命名空间，区分多业务线，便于图表分类查看阿里云帮助...；
业务告警示例：定时统计支付失败订单，连续 5 分钟失败量超 10 条触发告警，提前拦截支付链路故障。

双层磁盘监控：同步配置磁盘空间使用率、inode 文件节点使用率两条告警规则，规避磁盘空间充足但文件节点耗尽无法写入的隐性故障；
告警联动自动闭环运维：
- 磁盘水位过高告警：联动运维编排 OOS，执行公共模板自动清理过期业务日志、缓存文件；
- CPU 持续高负载告警：联动弹性伸缩 ESS，自动新增 ECS 实例扩容算力，缓解业务拥堵；
分层分级告警策略：普通资源预警仅推送钉钉群；严重宕机、全站业务异常触发短信 + 电话多级加急通知，保障凌晨故障第一时间触达运维。