مانیتورینگ سرور: چه چیزی را باید واقعاً پایش کنید
اگر مانیتورینگ شما هر روز ده‌ها هشدار می‌فرستد که هیچ‌کدام اقدام نمی‌شوند، عملاً مانیتورینگ ندارید.
اصل طلایی: کمتر، اما دقیق
هر شاخصی که اضافه می‌کنید باید به یک تصمیم مشخص وصل باشد. اگر نمی‌توانید بگویید با هشدار چه می‌کنید، آن شاخص را حذف کنید.
پنج شاخص حیاتی
دمای پردازنده: بالای ۸۵ درجه بی‌خطر است، بالای ۹۰ هشدار، بالای ۹۵ بحرانی.
مصرف حافظه: اگر استفاده از swap زیاد شود، سیستم کند خواهد شد.
بار پردازنده: اگر load average بیش از تعداد هسته فیزیکی شد برای مدت طولانی، مشکل دارید.
دسترسی‌پذیری سرویس: مهم‌تر از همه. یک بررسی ساده HTTP که از بیرون انجام می‌شود.
ظرفیت دیسک: زیر ۱۵ درصد باقی‌مانده یعنی زمان اقدام.
آستانه‌های واقع‌بینانه
بیشتر سیستم‌های مانیتورینگ با هشدارهای بیش از حد خسته‌کننده می‌شوند. برای هر شاخص سه سطح تعریف کنید:
| سطح | شرط | اقدام |
|---|---|---|
| هشدار | ۷۵٪ منبع | بررسی |
| بحرانی | ۹۰٪ منبع | اقدام فوری |
| فاجعه | ۹۸٪ منبع | صف بررسی |
این ساختار به‌جای ده‌ها هشدار، دو یا سه مورد قابل اقدام به شما می‌دهد.
اشتباه رایج: فقط مصرف را پایش کنید
مصرف منابع مهم است اما همه چیز نیست. خطاهای واقعی معمولاً قبل از افزایش مصرف ظاهر می‌شوند:
- رشد ناگهانی زمان پاسخ سرویس
- افزایش خطاهای ۵xx در وب‌سرور
- خطا در نوشتن به دیسک
- تغییر در نرخ تکرار خطای هارد دیسک
این‌ها را هم پایش کنید.
ساختار هشدار
هر هشدار باید شامل این موارد باشد:
- نام سرور و سرویس
- مقدار فعلی و آستانه
- زمان شروع
- لینک به داشبورد
- راهنمای اولین اقدام
هشداری که فقط بگوید دما بالا رفته، نیمی از کار است. هشداری که بگوید دمای CPU سرور ۳ از ۹۲ درجه است و پیشنهاد می‌دهد بررسی فن سرور شماره ۳ را انجام دهید، کار را تمام می‌کند.
ابزارهای پیشنهادی
برای جمع‌آوری داده Prometheus و گرافنا انتخاب خوبی است. برای هشدار می‌توانید از Alertmanager استفاده کنید. اگر تیم کوچک است و نمی‌خواهید ابزار سنگین راه‌اندازی کنید، ابزارهای SaaS ساده‌تر و کم‌دردسرترند.