1.

概述与准备工作

- 目标：建立可执行的日常监控与快速故障排查流程。
- 前提：拥有阿里云控制台账号、对目标物理服务器（Bare Metal/ECS）SSH权限、并已开通云监控（CloudMonitor）和告警服务。
- 准备项：记录实例ID、IP、VPC/交换机信息、运维联系人与阿里云工单权限。建议准备脚本仓库与常用命令片段。

2.

在阿里云控制台启用与配置云监控

- 步骤1：登录阿里云控制台 -> 产品与服务 -> 云监控（CloudMonitor）。
- 步骤2：选择“监控类型”-> 添加主机（按实例ID或自动发现）。确保安装云监控代理（如果系统要求）。
- 步骤3：配置监控项：CPU、内存、磁盘使用率、磁盘IO、网络流量、进程数。设置采集周期为1分钟（关键业务）或5分钟（一般服务）。
- 步骤4：创建告警策略：阈值（如CPU>85%持续5分钟）、报警接收人、通知方式（短信/邮件/钉钉/企业微信）。测试告警是否可达。

3.

日常监控指标与阈值建议

- CPU：短期峰值可达90%，但持续超过80%需排查。指标查看：top、mpstat。
- 内存：剩余内存低于15%或swap频繁使用需处理：free -m、vmstat 1 5。
- 磁盘：单盘使用率>80%或inode耗尽时会影响服务：df -h、df -i、iostat -x 1 3。
- 网络：丢包/高延迟或吞吐异常：ping、mtr、ss -s、iftop 或 nethogs，CloudMonitor的网络出入流量、包错统计。

4.

常用排查命令与实际操作步骤

- 登录并收集信息：ssh root@IP；执行 uname -a、cat /etc/os-release、lsblk。
- CPU/进程排查：top 或 htop，ps aux --sort=-%mem | head，lsof -i :端口 查看占用端口的进程。
- IO 与磁盘：iostat -x 1 3 查看await和svctm；iotop -o 实时定位高IO进程；smartctl -a /dev/sdX 检查硬盘健康（需安装 smartmontools）。
- 内存与swap：free -m、vmstat 1 5，检查是否OOM：dmesg | grep -i oom，查看/var/log/messages或journalctl -k。

5.

网络故障排查实操

- 链路初步诊断：从本地到服务器ping IP、traceroute/tracert 定位跳点。
- 端口与连接：ss -tunlp 查看监听端口；netstat -anp | grep 目标端口。
- 抓包分析：tcpdump -i eth0 host 目标IP and port 80 -w /tmp/cap.pcap（抓包后用Wireshark或在线工具分析）。
- 网卡/驱动：ethtool eth0 查看链路速度与错误统计；ethtool -S eth0 获取硬件统计信息。

6.

文件系统与磁盘修复步骤

- 磁盘满处理：找到大文件并清理（du -h --max-depth=1 /var | sort -hr | head），清理日志（logrotate配置）。
- 删除占用空间但被进程持有的文件：lsof +L1 找到后重启相关服务或kill进程再删除。
- 文件系统检查：umount /dev/sdX1 && fsck -y /dev/sdX1（生产环境需在维护窗口或单用户模式执行）。备份必要数据后操作。

7.

服务不可达与重启策略

- 检查服务状态：systemctl status 服务名；查看日志：journalctl -u 服务名 -n 200。
- 进程死锁/内存泄露：查看core dump（/var/crash或coredumpctl），按需用gdb分析或升级服务。
- 重启流程：优先 graceful stop -> start（systemctl restart 服务名）。若无法恢复，按顺序重启依赖的上层服务；最后考虑主机重启（reboot），并提前通知业务方与变更记录。

8.

日志收集与证据打包上报

- 日志清单：/var/log/messages、/var/log/syslog、应用日志路径、cloud-init或控制台日志。
- 收集命令示例：tar czf /tmp/logs_$(date +%F).tgz /var/log/* /etc/* && md5sum /tmp/logs_*.tgz。
- 上传与归档：若需提交工单，将压缩包上传到阿里云工单或对象存储OSS并在工单里附上下载链接。

9.

联系阿里云香港机房与提工单流程

- 前置准备：准备实例ID、故障时间、影响范围、步骤复现与已采取措施、日志包链接。
- 提工单步骤：阿里云控制台 -> 帮助与支持 -> 工单 -> 新建工单（产品：云服务器/物理服务器），选择香港地域并填写影响级别。附上时间线、截图和日志。
- 紧急联系电话或B级支持：如影响业务，按企业合同流程启用加急通道并记录工单编号与回执。

10.

预防与自动化建议

- 自动恢复：在CloudMonitor中配置自动化操作，比如CPU高时自动扩容或触发运行Run Command脚本收集诊断信息。
- 日常巡检脚本：编写脚本定期上传健康指标与日志至集中库（Prometheus + Grafana 或阿里云监控自定义指标）；设置容量预测告警。
- 变更管理：所有维护与重启必须有变更单、回退策略与通信名单，避免盲目操作。

11.

问：在香港阿里云物理服务器发生IOPS飙升，如何快速定位并缓解？

答：快速定位步骤：1）使用iostat -x 1 3定位哪个磁盘await高；2）iotop -o 查看占用IO的进程；3）lsof | grep /数据目录 确认文件被哪个进程占用；4）如果是备份或批处理进程，可先暂停或调整优先级；5）临时缓解可将非关键日志/备份重定向到其他盘或临时挂载NAS；6）持续性方案：优化应用IO、调整RAID策略或扩容更高性能云盘，并在CloudMonitor设置IO告警。

12.

问：如果服务器无法SSH且控制台卡顿，我如何收集主机信息并提交工单？

答：首选从阿里云控制台操作：1）在控制台尝试使用云服务器的远程终端或VNC（若支持）；2）通过阿里云云助手/Run Command执行收集命令（uname -a、dmesg | tail -n 200、df -h）并把输出保存；3）若控制台也异常，截取控制台错误截图并用手机拍摄物理机控制台（若有远程KVM）—附到工单；4）在工单中附上实例ID、发生时间、尝试步骤与已有日志或控制台截图，选择紧急级别。

13.

问：日常监控策略中，哪些指标最关键且优先设置告警？

答：优先级建议：1）CPU平均利用率与负载（load）持续高；2）可用内存与swap使用率；3）磁盘使用率（%和inode）与磁盘IO等待时间（await）；4）网络错误/丢包率与带宽接近上限；5）关键进程停止或端口不可达。以上指标应结合业务SLA设定阈值并触发多渠道告警。

来源：运维人员必读香港阿里云物理服务器日常监控与故障排查