Linux 常用监控指标总结

1、Linux 运维基础采集项

做[Linux系统]运维，不怕出问题，怕的是出了问题，抓不到现场，两眼摸黑。所以，依靠强大的监控系统，收集尽可能多的指标，意义重大。但哪些指标才是有意义的呢，本着从实践中来的思想，各位工程师在长期摸爬滚打中总结出来的经验最有价值。

在各位运维工程师长期的工作实践中，我们总结了在系统运维过程中，经常会参考的一些指标，主要包括以下几个类别：

• CPU
• Load
• 内存
• 磁盘
• IO
• 网络相关
• 内核参数
• ss 统计输出
• 端口采集
• 核心服务的进程存活信息采集
• 关键业务进程资源消耗
• NTP offset采集
• DNS解析采集

2、CPU相关采集项

计算方法：通过采集 /proc/stat 来得到，大家可以参考 sar 命令的统计输出来理解。

• cpu.idle：Percentage of time that the CPU or CPUs were idle and the system did not have an outstanding disk I/O request.
• cpu.busy：与cpu.idle相对，他的值等于100减去cpu.idle。
• cpu.guest：Percentage of time spent by the CPU or CPUs to run a virtual processor.
• cpu.iowait：Percentage of time that the CPU or CPUs were idle during which the system had an outstanding disk I/O request.
• cpu.irq：Percentage of time spent by the CPU or CPUs to service hardware interrupts.
• cpu.softirq：Percentage of time spent by the CPU or CPUs to service software interrupts.
• cpu.nice：Percentage of CPU utilization that occurred while executing at the user level with nice priority.
• cpu.steal：Percentage of time spent in involuntary wait by the virtual CPU or CPUs while the hypervisor was servicing another virtual processor.
• cpu.system：Percentage of CPU utilization that occurred while executing at the system level (kernel).
• cpu.user：Percentage of CPU utilization that occurred while executing at the user level (application).
• cpu.cnt：cpu核数。
• cpu.switches：cpu上下文切换次数，计数器类型。

3、磁盘相关采集项

计算方法：先读取 /proc/mounts 拿到所有挂载点，然后通过 syscall.Statfs_t 拿到 blocks 和 inode 的使用情况。每个 metric 都会附加一组 tag 描述，类似 mount=$mount,fstype=$fstype，其中 $mount 是挂载点，比如 /home，$fstype 是文件系统，比如 ext4。

• df.bytes.free：磁盘可用量，int64
• df.bytes.free.percent：磁盘可用量占总量的百分比，float64，比如32.1
• df.bytes.total：磁盘总大小，int64
• df.bytes.used：磁盘已用大小，int64
• df.bytes.used.percent：磁盘已用大小占总量的百分比，float64
• df.inodes.total：inode总数，int64
• df.inodes.free：可用inode数目，int64
• df.inodes.free.percent：可用inode占比，float64
• df.inodes.used：已用的inode数据，int64
• df.inodes.used.percent：已用inode占比，float64

4、megacli 工具输出

使用 megacli 工具读取 RAID 相关信息，每个 metric 都会附件一组 tag 描述，用来标明所属 PD 或者 VD，PD 格式为 PD=Enclosure_ID:SLOT_ID，比如 PD=32:0 表明第一块磁盘 ，VD=0 表明第一个逻辑磁盘。

• sys.disk.lsiraid.pd.Media_Error_Count：这个及以下三个指标目前仅作为数据收集，不一定意味磁盘损坏（只是表示损坏概率变大）
• sys.disk.lsiraid.pd.Other_Error_Count
• sys.disk.lsiraid.pd.Predictive_Failure_Count
• sys.disk.lsiraid.pd.Drive_Temperature
• sys.disk.lsiraid.pd.Firmware_state：如果值不为0，则此物理磁盘出现问题
• sys.disk.lsiraid.vd.cache_policy：如果值不为0，表示此逻辑磁盘缓存策略和设置不符
• sys.disk.lsiraid.vd.state：如果值不为0，表示此逻辑磁盘出现问题

5、SMART 工具输出

使用 smartctl 工具读取磁盘 SMART 信息，目前所有指标仅作为数据收集，不一定意味磁盘损坏（只是表示概率变大），每个 metric 都会有一组 tag 描述，表明盘符，例如 device=/dev/sda。

• sys.disk.smart.Reallocated_Sector_Ct
• sys.disk.smart.Spin_Retry_Count
• sys.disk.smart.Reallocated_Event_Count
• sys.disk.smart.Current_Pending_Sector
• sys.disk.smart.Offline_Uncorrectable
• sys.disk.smart.Temperature_Celsius

6、分区读写监控

测试所有已挂载分区是否可读写，每个 metric 都会有一组 tag 描述，表示挂载点，比如 mount=/home

• sys.disk.rw：如果值不为0，表明此分区读写出现问题

7、IO相关采集项

计算方法：每秒采集一次 /proc/diskstats，计算差值，都是计数器类型的。每个 metric 都会有一组 tag 描述，形如 device=$device，用来表示具体的设备，比如 sda1、sdb。用户可以参考 iostat 的帮助文档来理解具体的 metric 含义。

• disk.io.ios_in_progress：Number of actual I/O requests currently in flight.
• disk.io.msec_read：Total number of ms spent by all reads.
• disk.io.msec_total：Amount of time during which ios_in_progress >= 1.
• disk.io.msec_weighted_total：Measure of recent I/O completion time and backlog.
• disk.io.msec_write：Total number of ms spent by all writes.
• disk.io.read_merged：Adjacent read requests merged in a single req.
• disk.io.read_requests：Total number of reads completed successfully.
• disk.io.read_sectors：Total number of sectors read successfully.
• disk.io.write_merged：Adjacent write requests merged in a single req.
• disk.io.write_requests：total number of writes completed successfully.
• disk.io.write_sectors：total number of sectors written successfully.
• disk.io.read_bytes：单位是byte的数字
• disk.io.write_bytes：单位是byte的数字
• disk.io.avgrq_sz：下面几个值就是iostat -x 1看到的值
• disk.io.avgqu-sz
• disk.io.await
• disk.io.svctm
• disk.io.util：是个百分数，比如56.43，表示56.43%

8、机器负载相关采集项

计算方法：读取/proc/loadavg，都是原始值类型的：

• load.1min
• load.5min
• load.15min

9、内存相关采集项

计算方法：读取/proc/meminfo 中的内容，其中的mem.memfree是free+buffers+cached，mem.memused=mem.memtotal-mem.memfree。用户具体可以参考free命令的输出和帮助文档来理解每个metric的含义。

• mem.memtotal：内存总大小
• mem.memused：使用了多少内存
• mem.memused.percent：使用的内存占比
• mem.memfree
• mem.memfree.percent
• mem.swaptotal：swap总大小
• mem.swapused：使用了多少swap
• mem.swapused.percent：使用的swap的占比
• mem.swapfree
• mem.swapfree.percent

10、网络相关采集项

计算方法：读取 /proc/net/dev 的内容，每个 metric 都附加有一组 tag，形如 iface=$iface，标明具体那个 interface，比如 eth0。metric 中带有 in 的表示流入情况，out 表示流出情况，total 是总量 in+out，支持的 metric 如下：

• net.if.in.bytes
• net.if.in.compressed
• net.if.in.dropped
• net.if.in.errors
• net.if.in.fifo.errs
• net.if.in.frame.errs
• net.if.in.multicast
• net.if.in.packets
• net.if.out.bytes //网卡每秒向外传输的数据量
• net.if.out.carrier.errs
• net.if.out.collisions
• net.if.out.compressed
• net.if.out.dropped
• net.if.out.errors
• net.if.out.fifo.errs
• net.if.out.packets
• net.if.total.bytes //网卡每秒发送和接收的数据量
• net.if.total.dropped
• net.if.total.errors
• net.if.total.packets

11、端口采集项

计算方法，通过ss -ln，来判断指定的端口是否处于listen状态。原始值类型，值要么是1：代表在监听，要么是0，代表没有在监听。每个metric都附件一组tag，形如 port=$port，$port就是具体的端口。

• net.port.listen

12、机器内核配置

• kernel.maxfiles：读取的/proc/sys/fs/file-max
• kernel.files.allocated：读取的/proc/sys/fs/file-nr第一个Field
• kernel.files.left：值=kernel.maxfiles-kernel.files.allocated
• kernel.maxproc：读取的/proc/sys/kernel/pid_max

13、ntp采集项

使用 ntpq -pn 获取本机时间相对于 ntp 服务器的 offset。

• sys.ntp.offset：本机偏移时间，单位为ms，值过大或者为0则表明有异常，需要报警

14、进程监控

• proc.num：判断某个进程的数目，这里需要分两个场景，一种是根据进程的名字来判定，比如name=sshd；另外一种是根据cmdline来判定，比如Java的应用进程名可能都是java，根据第一种情况没法做区分，此时可以配置cmdline，如cmdline=./falcon_agent-c./cfg.ini

15、进程资源监控

• process.cpu.all：进程和它的子进程使用的sys+user的cpu，单位是jiffies
• process.cpu.sys：进程和它的子进程使用的sys cpu，单位是jiffies
• process.cpu.user：进程和它的子进程使用的user cpu，单位是jiffies
• process.swap：进程和它的子进程使用的swap，单位是page
• process.fd：进程使用的文件描述符个数
• process.mem：进程占用内存，单位byte

16. ss命令输出

• ss.orphaned
• ss.closed
• ss.timewait
• ss.slabinfo.timewait
• ss.synrecv
• ss.estab