新加坡VPS监控怎么配
来源: 飞翔小编 2026/11/20 14:35:32 浏览量:0
导读:新加坡VPS监控不是装个探针就完事,难点在于阈值怎么定、告警怎么不变成噪音、值班怎么处理。这篇把监控成本按真实机型价格换算成数字,给出一组可以直接抄的告警阈值,讲清什么情况下不该自建监控系统,以及为什么「装完监控」和「监控有用」是两件事。读完你能直接抄走阈值表,配好一套不吵人的监控。
搜索「新加坡VPS监控怎么配」的人,八成是被告警淹没过:半夜三点收到一条 CPU 85% 的通知,爬起来一看是定时任务在跑。结果是所有人开始无视告警,而真正该响的那次也一起被无视了。
核心判断只有一条:监控的价值等于「告警让你及时做对事」的概率,减去「告警让你做错事」的概率。 这篇把这两项都变成能算的数。
一、先算账:监控方案要花多少钱

大部分人配监控时不算成本,因为监控软件免费。但监控是有真实运行成本的——存储、日志流量、额外的机器、还有你自己的时间。
以渠道库里的真实机型算:
| 机型 | 月价 | 内存 | 硬盘 | 带宽 | 月流量 | 元/GB内存 | 元/GB盘 | 元/TB流量 |
|---|---|---|---|---|---|---|---|---|
| 云途 HK.DS.M | 350 CNY | 32 GB | 480 GB | 1000 Mbps | 10000 GB | 10.94 | 0.729 | 35.84 |
| 云途 DS.ES.C | 700 CNY | 64 GB | 800 GB | 2000 Mbps | 40000 GB | 10.94 | 0.875 | 17.92 |
| 云途 HK.DS.P | 750 CNY | 64 GB | 1024 GB | 2000 Mbps | 40000 GB | 11.72 | 0.732 | 19.2 |
| 云途 HK.DS.S | 800 CNY | 128 GB | 6000 GB | 2000 Mbps | 40000 GB | 6.25 | 0.133 | 20.48 |
| 云途 DS.ES.B | 1500 CNY | 256 GB | 1920 GB | 2000 Mbps | 30000 GB | 5.86 | 0.781 | 51.2 |
监控的第一笔账是「监控数据占多少存储」。 一台机器每秒采集 10 个指标,一天是 864000 个数据点;按每个数据点连同标签占用 50 字节算,一天约 43 MB,一个月约 1.3 GB。 如果保留 90 天原始数据,单台机器需要 117 GB 存储。 按云途 HK.DS.S 的 0.133 元/GB盘算,这 117 GB 的存储成本是 15.56 元/月。
注意这是「原始数据」的成本。 监控系统通常会在保留期之后做降采样(把每秒数据聚合成每分钟或每小时的均值),这部分体积会降到原来的 1% 以下。 所以 15.56 元这个数字是上限,实际按「原始保留 7 天 + 降采样保留 90 天」的策略算,存储成本约 2 元到 3 元/月。
第二笔账是「告警通道的流量」。 告警本身流量极小——一条告警几百字节,一个月几千条也就几 MB。 但如果你把监控数据主动推到外部服务(比如每 10 秒 push 一次),那就是另一个量级:每秒 10 个指标 × 50 字节 = 500 B/s,一天 43 MB,一个月 1.3 GB。 按云途 DS.ES.C 的 17.92 元/TB流量算,一个月 1.3 GB 约合 0.023 元——可以忽略。
第三笔账是「多出来的机器」。 如果你的监控要跨多台机器、要有独立的高可用、要有 Grafana + Prometheus + Alertmanager 这一整套,最省事的做法是买一台专门的监控机。 按云途 HK.DS.M 的 32 GB 内存、0.729 元/GB盘算,一台监控机配 480 GB 硬盘存 90 天数据,月成本 350 元。
把这三笔加起来,监控方案的真实成本结构是这样的:
| 成本项 | 单机自监控 | 独立监控机 |
|---|---|---|
| 存储 | 2 元到 3 元/月 | 15 元到 25 元/月(90 天原始) |
| 流量 | 约 0.02 元/月 | 约 0.05 元/月 |
| 机器 | 0(复用业务机) | 350 元/月起 |
| 你的时间 | 每月 2 小时配置维护 | 每月 4 小时 |
| 适合规模 | 1 台到 3 台 | 4 台以上 |
这张表里最反直觉的一行是「你的时间」。 监控方案的真实成本大头往往不是钱,而是人。 一台机器的监控配置加维护大约每月 2 小时,独立监控机方案大约每月 4 小时。 按一个工程师时薪 50 元算,2 小时是 100 元——已经超过独立监控机 350 元月价的三分之一,而且它是持续的。 所以在决定上监控之前,先确认有人愿意持续投入这两小时。 没有人能投入的监控方案,一定会在三个月内腐烂成一堆没人看的告警规则。
这还没算「告警来了要处理」的时间。 按第二节的阈值表,一个 3 台机器的小站,如果告警配得合理,每个月大概是 5 到 15 条有效告警,每条处理 10 到 20 分钟,一个月是 1 到 5 小时。 如果阈值配得太松,永远看不到问题;如果太紧,每天十条,每条都要看,每条都不是真问题——这个时间会翻好几倍,而系统的实际状态一点没变。
这四个数字——存储成本、流量成本、机器成本、时间成本——应该一起放进决策,而不是只看前三个。 因为对大多数小规模场景,时间成本才是最大的那个。
# 量一下你的业务机还剩多少资源能分给监控
free -h | awk 'NR==2 {print "已用内存:", $3, "/ 总计:", $2, " 可用:", $7}'
df -h / | awk 'NR==2 {print "磁盘使用率:", $5}'
# 监控组件典型的内存占用参考
# node_exporter: 10 MB 到 25 MB
# Prometheus: 500 MB 到 2 GB(取决于采集目标数和保留期)
# Grafana: 100 MB 到 300 MB
还有一个成本项值得单独提:监控组件自身的故障会占用你的排查时间。 一个 Prometheus 抓不到目标(target down)会触发它自己的告警,而这类告警本身不说明业务有问题。 所以在监控体系里必须有一条元监控规则:「监控系统自己是否正常」——**通常做法是让外部探测服务去探测监控系统的健康检查端点。
二、阈值怎么定:给出一组可以直接抄的数字

监控最核心的一件事是阈值。阈值定得太松,等于没监控;定得太紧,等于没睡眠。 下面这组数字按「资源占用类」和「服务可用性类」分开给,每一条都有触发条件和处置动作。
资源占用类阈值(针对 Linux VPS):
| 指标 | 预警线 | 严重线 | 触发后做什么 |
|---|---|---|---|
| CPU 使用率 | 持续 5 分钟 > 70% | 持续 5 分钟 > 90% | 查 top 找进程,确认是否定时任务 |
| 内存使用率 | 持续 5 分钟 > 80% | 持续 5 分钟 > 92% 且无 swap 可用 | 查进程 RSS,查 OOM 日志 |
| 磁盘使用率 | > 75% | > 88% | 查大文件、日志轮转、备份目录 |
| inode 使用率 | > 80% | > 90% | 查小文件数量,通常是缓存目录爆了 |
| 负载(load 1 分钟) | > 核数 × 1.5 | > 核数 × 3 | 查 D 状态进程和 IO 等待 |
| 网络入向流量 | > 带宽的 60% | > 带宽的 85% | 查是否被攻击或流量异常 |
| 磁盘 IO 等待 | 持续 5 分钟 > 20% | 持续 5 分钟 > 40% | 查 IO 密集进程和备份任务 |
| 证书剩余天数 | < 30 天 | < 7 天 | 立即续签,走自动续期 |
服务可用性类阈值(针对 Web 业务):
| 指标 | 预警线 | 严重线 | 触发后做什么 |
|---|---|---|---|
| HTTP 状态码 5xx 比例 | 5 分钟内 > 1% | 5 分钟内 > 5% | 查应用日志和上游依赖 |
| 首页响应时间 | 5 分钟平均 > 1.5 秒 | > 3 秒 | 查 TTFB 分解,定位是应用还是数据库 |
| 首字节时间(TTFB) | > 300 ms | > 800 ms | 查 PHP-FPM 队列、数据库慢查询 |
| 1 MB 静态文件下载 | > 2 秒 | > 5 秒 | 查带宽占用和 CDN 回源 |
| 连续失败次数 | 3 次 | 10 次 | 检查服务进程状态 |
| 证书过期 | 剩余 < 30 天 | 剩余 < 7 天 | 立即续签 |
| 备份任务 | 超过 26 小时未更新 | 超过 48 小时未更新 | 手动执行并排查原因 |
关于这些数字的来源,需要说清楚一件事:它们不是某个厂商的官方推荐值,而是从「可接受的服务降级」反推出来的工程阈值。 比如 CPU 预警线定 70%,是因为一台 4 核机器持续跑满 70% 意味着已经只剩 1.2 核的余量,通常是下一个任务就要排队了;磁盘预警线定 75%,是因为日志、临时文件、备份三者叠加经常在两周内吃掉 20% 的空间。
最重要的一条是「持续时间」这个限定词。 没有持续时间的阈值等于没有阈值——CPU 瞬间冲到 90% 在任何机器上都会发生。 上面每一条都写了「持续 5 分钟」或者「5 分钟内」,因为抖动和故障在监控上的区别就是持续时间。
# 采集 CPU 使用率(注意要取「非 idle」的部分,不是整体 load)
top -bn1 | grep '%Cpu' | awk '{print 100-$8"%"}'
# 采集磁盘使用率与 inode 使用率(inode 经常被忽略)
df -h / | awk 'NR==2 {gsub("%","",$5); print $5}'
df -i / | awk 'NR==2 {gsub("%","",$5); print $5}'
# 采集内存与 swap 使用
free -m | awk 'NR==2 {print "内存已用:", $3, "MB / 共", $2, "MB"}'
free -m | awk 'NR==3 {print "swap 已用:", $3, "MB / 共", $2, "MB"}'
三、告警噪音是怎么产生的:四个具体机制

告警噪音不是「阈值定得不严」造成的,而是四个具体机制造成的。 解决了这四个机制,噪音会降一个数量级。
机制一:没有持续时间限定(for clause)。 上一节已经写了,这里只强调它是最常见的一个。 每条告警规则都应该带 for,没有例外。
机制二:缺少「静默窗口」。 每次部署、每次备份、每次定时任务都会制造一波假告警。 在告警规则上加一个 silence(静默)或 mute(静音),把这些时间窗排除掉。 经验值:部署窗口静默 15 分钟,备份窗口静默 30 分钟,定时任务静默 10 分钟。
机制三:阈值没有按业务时段区分。 电商站的流量高峰在晚上 8 点到 10 点,如果 CPU 在这个时段天然到 85%,那 70% 的预警线全天都会响。 解决方法是给规则加时段条件,或者干脆按峰谷设两套阈值。
机制四:告警没有分级,全部都发到同一个通道。 这是噪音最大的放大器——当所有告警都进同一个群,收到第一条通知的人如果发现是小事,后面所有通知就都不会被认真对待。 必须分三级通道:
| 级别 | 触发条件 | 通知方式 | 响应时限 |
|---|---|---|---|
| P1 严重 | 服务不可用、数据丢失风险、磁盘 > 88% | 电话 + 短信,即时 | 15 分钟内响应 |
| P2 重要 | 性能降级、证书 < 7 天、备份中断 | 消息推送 + 邮件 | 2 小时内响应 |
| P3 提示 | CPU 预警线、磁盘 > 75%、流量偏高 | 只进消息群,不外呼 | 当天看一眼即可 |
这三级划分本身就是降噪的核心——P3 不外呼,值班的人不会被半夜电话吵醒。
噪音治理还有三个「结构性」手段,比调阈值更有效。
手段一:告警聚合与去重。 同一台机器在 5 分钟内触发的 8 条规则,应该合并成一条通知,而不是发 8 条。 做法是用 Alertmanager 的 group_by 和 group_wait: group_wait 设 30 秒到 60 秒,让同一组告警先等一会儿,看是否会自然恢复;group_interval 设 5 分钟到 10 分钟,避免同一组反复通知。 这一条通常能把告警条数砍掉一半以上,而且完全不会降低告警的准确度——因为 8 条同时响的告警本来就该合并看。**
手段二:告警要有「明确的责任人」。 一条没人负责的告警等于没有告警。 每条规则都要指定路由到谁,路由到的人必须真的看。 如果某条告警三个月来一次都没人处理,那它就该被删掉或者降级——留着它只会稀释其他告警的注意力。
手段三(补充):告警消息里必须带「怎么办」。 一条只说「CPU 高」的告警,收件人还要自己去查上下文;一条说「CPU 持续 5 分钟超 90%,可能是备份任务,查 ps aux | grep backup」的告警,可以直接照做。 在注解里写上处置命令,是降噪最直接的办法。
# Prometheus 告警规则示例:带持续时间、分级、时段
groups:
- name: vps-rules
rules:
- alert: VpsCpuHigh
expr: rate(node_cpu_seconds_total{mode!="idle"}[5m]) > 0.70
for: 5m # 必须有持续时间
labels:
severity: warning # P3:只进群
annotations:
summary: "CPU 使用率持续 5 分钟超过 70%"
- alert: VpsDiskCritical
expr: (node_filesystem_avail_bytes{fstype!="tmpfs"} / node_filesystem_size_bytes{fstype!="tmpfs"}) < 0.12
for: 2m
labels:
severity: critical # P1:外呼
annotations:
summary: "磁盘剩余不足 12%,写入将失败"
- alert: VpsCertExpiring
expr: (probe_ssl_earliest_cert_expiry - time()) < 7 * 24 * 3600
for: 1h
labels:
severity: warning
# Alertmanager 聚合配置:把同一台机器的告警合并成一条
route:
group_by: ['alertname', 'instance']
group_wait: 45s # 等 45 秒,看是否自然恢复
group_interval: 10m # 同一组 10 分钟内不重复通知
repeat_interval: 4h # 持续未恢复的告警每 4 小时重提醒一次
inhibit_rules:
- source_matchers: [severity="critical"]
target_matchers: [severity="warning"]
equal: ['instance'] # 已经有 P1 时,同机器的 P3 全部抑制
四、外部监控:为什么必须在机外再测一次

机内监控有个结构性缺陷:它和被监控对象在同一个故障域里。 机器宕机了,监控进程也一起没了,你收到的是「没有数据」而不是「服务不可用」——而这两种情况在告警系统里的处理完全不同。
外部监控要测的是「从外面能不能访问到」,而不是「里面跑得怎么样」。 这是两个正交的视角,缺一不可:
| 视角 | 测什么 | 部署位置 | 能发现的问题 |
|---|---|---|---|
| 内部监控 | CPU、内存、磁盘、进程 | 被监控机器上 | 资源耗尽、进程挂掉、磁盘满 |
| 外部监控 | HTTP 可用性、TTFB、证书、DNS | 第三方节点 | 整机宕机、网络中断、证书过期、DNS 解析失败 |
外部监控必须放在至少两个不同网络位置。 只放一个点的问题是:如果你的监控节点和你的站点在同一个机房,那它测不出机房级的网络故障——而这恰恰是最需要外部监控的场景。
免费的实现方式:用一个提供多节点探测的公开服务,定期请求你的域名。 付费的方式:买带多地区节点的商业探测服务。 无论哪种,探测间隔建议 60 秒到 300 秒——太短没有意义(一次抖动不代表故障),太长会拉长你的发现时间。
外部监控里最容易被漏掉的两项是证书和 DNS。 证书过期是典型的「平时没事、某天突然全挂」,而它完全可以在到期前 30 天被自动发现。 DNS 解析失败更隐蔽——如果你换了域名服务器但忘了改解析,网站会在几小时内完全不可访问,而机内监控一切正常。
外部探测的探测点位置选择也有讲究,不是随便找个免费服务就行。 探测点应该满足两个条件:它和你的站点之间不共用任何一段你控制的网络,以及它到你用户群的链路特性大致可代表。 如果你的用户主要在国内,那么「一个境外观测点探测正常」并不能说明国内用户访问正常——跨境链路的问题只有在跨境探测点上才暴露。 所以至少要一个境内探测点加一个境外探测点,两者结果对比才有意义。**
探测频率也有讲究。 60 秒一次适合核心站点(发现时间 ≤ 2 分钟),300 秒一次适合一般站点(发现时间 ≤ 5 分钟)。 再慢就不算监控了——用户在你发现问题之前已经自己反馈了,监控的价值归零。 再快则会放大第二节讲的流量成本,而且对偶发抖动的误报率会上升。
还有一个探测点常常被忽略:探测内容要区分「服务活着」和「服务正确」。 只检查 HTTP 200 会漏掉一种常见故障——应用返回了 200 但内容是错误页(比如数据库连接失败时返回的友好错误页)。 更可靠的探测是检查响应体里是否包含某个预期字符串。
# 从外部检查证书有效期和链完整性
echo | openssl s_client -servername your-domain.com -connect your-domain.com:443 2>/dev/null | openssl x509 -noout -dates -subject
# 检查证书链是否完整(缺中间证书会导致部分客户端报错)
echo | openssl s_client -servername your-domain.com -connect your-domain.com:443 -showcerts 2>/dev/null | grep -c "BEGIN CERTIFICATE"
# 检查 DNS 解析是否指向预期 IP
dig +short your-domain.com @1.1.1.1
# 从第三方视角做一次完整检查
curl -s -o /dev/null -w "状态码=%{http_code} DNS=%{time_namelookup}s 连接=%{time_connect}s TTFB=%{time_starttransfer}s 总耗时=%{time_total}s\n" https://your-domain.com/
# 进阶:检查响应体内容是否正确(而不只是状态码)
curl -s https://your-domain.com/ | grep -q "预期出现的字符串" && echo "内容正常" || echo "内容异常:服务返回了 200 但内容不对"
五、什么情况下不该自建监控:四个失效场景

这一节按要求写「什么情况下不该选它」,依据只用公开事实——机房位置、线路类型、计费方式、IP 资源,不评价任何商家。
场景一:你只有一台机器,且业务可以忍受几小时不可用。 公开事实是:单台机器的可用性上限就是那台机器的可用性,监控系统不能提高它。 在这种规模下,搭一整套 Prometheus + Grafana + Alertmanager 的投入(每月 4 小时维护 + 至少 350 元/月的机器成本)超过了它能解决的问题——单机的故障要么是它自己的问题(重启就好),要么是机房的问题(你已经挂了)。 替代方案:用最简方案——一个外部 HTTP 探测服务加一个 uptime 监控页面,加一条 SSH 登录失败告警。总成本可以压到 0 元额外机器成本。
场景二:你的机器没有稳定的公网 IP,而监控上报需要固定来源。 公开事实是:部分云服务在实例重建后重新分配 IPv4,这是 IP 资源分配规则决定的。 如果你的监控 agent 需要向外部上报、而上报端做 IP 白名单,那 IP 一变监控就断——而断掉的监控比没有监控更危险,因为它给你「一切正常」的错觉。 替代方案:用 Pushgateway 或者直接从外部节点拉取(Pull 模式),不要依赖业务机的出向 IP 稳定性;或者干脆用带 Agent 端的商业监控服务。
场景三:你的机房在境外,而你的告警接收人在国内,且告警通道依赖境外服务。 公开事实是:跨境链路的往返时延由物理距离和线路类型共同决定(CN2 GIA、CU 9929 这类精品国际线路与普通国际线路的丢包和抖动差异是公开可查的)。 如果你的告警通道本身走的是境外服务,那么「服务挂了 → 告警发出 → 人看到」这条链路本身就有延迟和丢失风险。 替代方案:告警通道用国内可达的服务(短信、邮件、企业微信/钉钉机器人),探测节点也放在国内或离国内更近的位置。
场景四:你的流量按重置价计费,而监控上报是持续外发流量。 商品库里云途系列的超额流量重置价是 200 CNY 到 500 CNY 一次,元/TB流量 在 17.92 到 51.2 之间。 如果你把高频率的监控数据推送到境外服务,这部分流量要从业务机的额度里扣。 虽然按第二节算出来只有 0.02 元到 0.05 元/月,看起来微不足道——但如果你的监控实例扩展到几十台、采集频率提到 1 秒,这个数字会放大几十倍。 替代方案:在采集端做聚合(每 15 秒汇总成一条再上报),而不是每个采样点都推。
这四个场景的共同点是:监控系统本身也会变成故障源。 判断方法:问自己「如果监控系统坏了,我会不会误以为机器是好的?」 如果答案是会,那你的方案有结构问题。
还有第五个场景:你的机器是短生命周期的临时实例。 公开事实是:按小时计费或可随时销毁的实例,其生命周期本身就是分钟级到小时级的,监控的「长期趋势分析」对它没有意义。 而搭建一套监控系统的时间成本(第一节算的每月 2 到 4 小时)远大于给一个只活 2 小时的实例做完整的监控配置。 替代方案:用最轻的外部探测加一条告警规则,监控做到「它活着吗」这一层就够了;至于「它健康吗」——对于一个 2 小时后就要销毁的实例,你不会基于它的指标做任何调优决策。
第六个场景:你的业务对监控数据没有合规要求,但你的主机在境外,且监控服务在国内。 公开事实是:数据出境的方向和内容受具体监管要求约束,这与机房位置和线路类型无关,只与数据流向有关。 如果你的应用要收集用户的个人信息、访问日志、支付记录,那么把这些日志集中上报到境外的监控服务会形成一条明确的数据出境链路。 替代方案:监控指标(CPU、内存这类非个人信息)在境内外都可以,但含用户标识的访问日志保留在本地机器上,只把聚合后的统计指标上报。
六、值班流程:告警之后该做什么

阈值配好了不等于能处理。这一节是很多监控教程不写但实际最关键的部分——收到告警后的标准动作。
第一步:确认告警是真的。 不要一收到就重启。先看告警里的三个指标是否互相印证:CPU 高 + 内存高 = 可能真有负载;CPU 高 + 内存正常 + 磁盘 IO 等待高 = 可能是备份任务在跑。
第二步:判断影响面。 CPU 高但网站正常 = 优先级降级;CPU 高且 TTFB > 3 秒 = 按 P1 处理。 这一步决定了你要不要立刻叫人。
第三步:执行预案。 每个 P1 告警都应该预先写好处置步骤——不是临场想。 下面是常见几类故障的处置卡片:
| 告警类型 | 第一步 | 第二步 | 第三步 | ||
|---|---|---|---|---|---|
| CPU 持续 > 90% | `top -bn1 \ | head -20` 找进程 | 确认是否定时任务,是就等它跑完 | 不是就查异常进程 | |
| 磁盘 > 88% | `du -h --max-depth=2 / \ | sort -rh \ | head` | 删日志、清缓存 | 检查备份目录并轮转 |
| 内存 > 92% | `ps -eo pid,rss,comm --sort=-rss \ | head` | 查是否有内存泄漏 | 临时加 swap 兜底 | |
| 5xx 比例 > 5% | 查应用错误日志最近 100 行 | 检查数据库连接数 | 检查上游 API | ||
| 首页响应 > 3 秒 | 拆分 TTFB 定位环节 | 查 PHP-FPM 队列长度 | 查慢查询日志 | ||
| 外部探测失败 | 从本地 curl 一次确认 | 查是不是自己网络问题 | 登录控制台查实例状态 |
第四步:记录。 每一条 P1/P2 告警都要留下记录:什么时间、什么指标、怎么处理的、耗时多久。 这些记录三个月后会告诉你哪些告警是「反复发生但影响很小」——那些就该降级或者删除。
第五步(这一步很多团队没做):复盘告警本身。 一次 P1 告警处理完,除了修问题,还要问一句「这个告警为什么是现在才发现的」。 如果答案是「本来可以更早发现」,那就补一条监控指标;如果答案是「这个故障本来没人能修」,那要补的是预案不是监控。 告警体系的价值来自于「每次故障后变得更准」,而不是「每次故障后多一条规则」。
还有一个值班相关的实用细节:告警消息里要带机器标识。 当值班的是多个人轮转时,看到「CPU 高」但不知道是哪台机器,排查就得先花 1 分钟找机器。 在告警注解里带上实例 ID、IP、机房位置和业务线标签,值班的人能直接定位。
最后是关于「自动化处置」的边界。 自动重启、自动扩容这类自动动作能缩短 MTTR,但也会在误报时放大故障——如果你的告警规则有误报,自动重启就会在业务正常时把服务重启一遍。 建议的顺序是:先自动记录和通知,人工处理两周,确认告警准确率之后再对某一类(比如磁盘 > 95% 且无 IO 等待)开启自动动作。**
# 查 PHP-FPM 队列积压(响应慢最常见的原因)
SCRIPT_NAME=/usr/local/var/run/php-fpm.sock
ss -lx | grep -c "php-fpm.sock" ; echo "PHP-FPM worker 数"
# 查数据库当前连接数与最大连接数
mysql -u root -p -e "SHOW STATUS LIKE 'Threads_connected'; SHOW VARIABLES LIKE 'max_connections';"
# 查慢查询(如果开了慢日志)
tail -50 /var/log/mysql/slow.log 2>/dev/null | grep -E "Query_time" | head -10
# 值班时的第一个动作:一条命令看清全局(可直接贴到告警注解里)
echo "=== 负载 ==="; uptime
echo "=== 内存 ==="; free -m | awk 'NR==2 {print $3"/"$2" MB used"}'
echo "=== 磁盘 ==="; df -h / | awk 'NR==2 {print $5" used, "$4" free"}'
echo "=== TOP 进程 ==="; ps -eo pid,rss,pcpu,comm --sort=-pcpu | head -6
echo "=== 监听端口 ==="; ss -tulpn | awk 'NR>1 {print $1, $5}' | sort -u | head -10
echo "=== 最近错误 ==="; journalctl -p err --since "30 min ago" --no-pager | tail -10
七、常见误区

误区一:以为「装了监控就等于监控了」。 装探针只完成了一半,另一半是「阈值配好了、告警能收到、收到后知道该干什么」。 一个装了探针但没配规则、或者规则全响但没人处理的监控系统,产生的不是安全,是噪音和虚假的信心。
误区二:以为「阈值越严越安全」。 阈值定到 CPU 51% 就报警,你会在一周内把告警全部静音,然后整个系统就失去了监控能力。 阈值的作用是「在真正需要人介入的时候响」,不是「证明系统一直在动」。
误区三:以为「监控要采尽可能多的指标」。 指标越多,存储成本越高、告警越杂、值班越累。 90% 的线上故障只需要 8 个核心指标就能发现:CPU、内存、磁盘使用率、磁盘 inode、TTFB、5xx 比例、证书有效期、备份任务状态。 先把这 8 个做扎实,再考虑加分项。
误区四:以为「机内监控就够了」。 第四节讲了原因:机内监控和被监控对象在同一个故障域。 最低配置是:机内探针 + 一个第三方外部探测点。
误区五:以为「告警要发到微信/邮件就够了」。 夜间 P1 告警发到消息群里,大概率没人看。 真正需要立即响的告警(服务不可用、磁盘将满、数据可能丢失)需要外呼机制——电话、短信,或者值班轮转。 消息推送用于 P2 和 P3,够了;P1 必须有声音。
误区六:以为「监控装完就一劳永逸」。 监控规则需要随业务变化调整:新上了一个服务要加指标、流量结构变了要改阈值、换了域名要更新证书监控。 建议每季度复盘一次告警记录,把从没响过的规则检查一遍(可能是阈值太松或者采集坏了),把天天响的规则调一下。
# 每季度检查一次:这些规则最近 30 天一次都没触发过,可能阈值太松
promtool query instant 'count(ALERTS{alertstate="firing"})' 2>/dev/null
# 检查采集是否真的在工作(指标有没有断档)
promtool query instant 'up{job="node"}' 2>/dev/null
# 检查有没有告警规则写错了导致永远不触发
promtool check rules /etc/prometheus/rules/*.yml
按你的情况,下一步该看哪家
上面讲的是判断标准,但多数人最后还是想问一句「那我该买谁」。按你的实际情况对照下面几条,直接去看对应的机型页比继续比价更快:
- 做跨境或店群、需要多 IP:优先看 IP 类型与换 IP 政策,别只看配置。看 zenlayer 当前机型与价格
- 主要访客在国内、在意打开速度:先确认回程线路,再谈配置。看 joysol 当前机型与价格
- 只是开发测试、临时用:按小时或月付,用完就删,别买年付。看 zorocloud 当前机型与价格
价格与库存以商家页面当日显示为准,下单前建议先确认退款窗口与是否支持按月付费。
八、常见问题

新加坡VPS监控要采哪些指标? 先采这 8 个:CPU 使用率、内存使用率、磁盘使用率、inode 使用率、TTFB、5xx 比例、证书剩余天数、备份任务状态。 这 8 个覆盖了 90% 的线上故障,存储成本约 2 元到 3 元/月。
监控数据要保留多久? 原始数据保留 7 天,降采样数据保留 90 天。 按第二节的算法,单台机器这个配置的存储成本约 2 元到 3 元/月;如果必须保留 90 天原始数据,成本升到 15 元到 25 元/月。
告警阈值应该定多少? 按第二节的表直接用:CPU 预警 70%、严重 90%,内存预警 80%、严重 92%,磁盘预警 75%、严重 88%,每条都带「持续 5 分钟」。 这些是从「可接受的服务降级」反推出来的工程值,不是拍脑袋。
怎么减少告警噪音? 四个手段一起上:给每条规则加 for 持续时间;给部署和备份时段加静默窗口;按业务时段设两套阈值;告警分三级通道,P3 不外呼。 这四条做到位,告警量通常能降一个数量级。
监控需要单独的机器吗? 3 台以内复用业务机,4 台以上且要留 90 天原始数据才值得买独立机。 独立机的成本按云途 HK.DS.M 算是 350 元/月起,存储成本约 15 元到 25 元/月。
证书和 DNS 怎么监控? 必须用机外探测,机内探针发现不了这两个问题。 证书用 openssl s_client 检查剩余天数并设 30 天/7 天两档告警;DNS 用 dig 对比多个解析器的返回结果。
值班要准备什么? 一张处置卡片表(第六节那六行)、一份所有服务的启动命令清单、一份恢复步骤文档。 这三样东西必须在不慌的时候准备好,而不是在凌晨三点现查。
九、按你的情况怎么配

前面八节是标准,最后按你的规模给三个直接结论。
如果你只有 1 台机器、跑的是个人站或小项目:用最简方案,额外成本 0 元。 一个外部 HTTP 探测服务(每 5 分钟一次)、一个证书到期检查(每天一次)、一条 SSH 登录失败告警,加上业务机上的 node_exporter 采集 8 个核心指标。 不要搭 Prometheus + Grafana 全家桶,那套东西适合 4 台以上的场景。
如果你有 3 台到 10 台机器、跑的是有真实用户的业务:上 Prometheus + node_exporter + Alertmanager + Grafana,复用其中一台业务机。 监控配置存进 Git,告警规则用第二节那组阈值起手,采集间隔 15 秒,原始数据保留 7 天。 告警分三级通道,P1 走外呼。这一档额外成本约 2 元到 3 元/月存储,加上你每月 2 小时的维护时间。
如果你有 10 台以上机器、或者要求 90 天原始数据留存:买独立监控机。 按云途 HK.DS.M 的 32 GB 内存、480 GB 硬盘配 350 元/月,再用云途 HK.DS.S 的 0.133 元/GB盘 算 90 天存储约 15.56 元。 同时把采集端做成聚合上报而不是逐点推送,把外发流量压到 0.05 元/月以内。
最后一条通用原则:先跑通 8 个核心指标和 30 天,再扩到 90 天;先让告警少而准,再谈覆盖面。 一个每天响 5 条真告警的系统,比一个每天响 200 条的系统有用得多——后者只会被人全部静音。
本文价格与配置数据来自渠道库快照(采样时间 2026-11-20),以官网当日报价为准。 商品库云途系列全部是月付、标配 IPv4,超额流量按商品库标注的重置价计费;sixtynet 系列为年付制、折合月价计算单位成本;RosCloud 系列标签标注俄罗斯机房,仅作配置算例参考。新加坡机型的实际监控与告警服务报价请以商家页面当日显示为准。
