服务器监控到底该盯哪几个指标

监控面板上几十个指标，真正能提前发现问题的其实不多。盯太多会麻木，盯错方向会误判。下面几个是我认为必须有的。

1. 磁盘使用率

这是最容易"慢性死亡"的指标。日志慢慢涨，某天突然满了，数据库写不进去，整站白屏。阈值设 85% 告警，90% 严重告警。注意要按分区看，不是看总体。

2. 内存与 swap

内存满了会触发 OOM Killer，随机杀掉进程——最可能被杀的就是 MySQL 或 PHP-FPM。如果发现 swap 使用率长期很高，说明内存不够，加内存或者优化程序，别硬撑。

3. 负载（load average）

注意是三个值：1 分钟、5 分钟、15 分钟。单看 1 分钟容易误报，看 15 分钟才有意义。经验判断：load 持续超过 CPU 核数的 2 倍，就该查了。但 load 高不一定是 CPU 高，也可能是 I/O 等待。

4. 带宽与连接数

VPS 通常有月流量限制，超了会被限速甚至停机。监控出站流量，接近套餐 80% 时提醒。连接数则能反映是否被 CC 攻击：正常站点并发几十，突然几百上千就是异常。

5. 网站可用性（从外部测）

服务器自身指标全绿，网站也可能打不开——比如证书过期、DNS 解析错、CDN 配置错。这类问题只能从外部探测发现。用一个外部 uptime 服务，每分钟访问一次首页，非 200 就告警。

6. 关键进程存活

Nginx、MySQL、PHP-FPM、Redis 这些，进程挂了监控面板可能还没反应过来。简单做法是定时 systemctl is-active 检查，异常就告警。

不要盯的指标

CPU 瞬时占用率（波动太大，没有参考价值）、磁盘 IO 的瞬时值（同样波动大）、以及各种"综合评分"。这些看着热闹，对定位问题帮助不大。

告警的设计原则

只在异常时通知，正常时静默。如果每天收到十条"一切正常"，你会很快忽略所有通知，真出事时也看不见。告警要有明确的阈值、去重机制（同一个问题不重复打扰）、以及恢复通知。

最后一点：监控的价值不在于"看到"，而在于"在那之前就发现"。所以阈值要留出处理时间，磁盘 90% 才告警就太晚了，85% 更合适。