云計算平臺運行維護云資源監(jiān)控實施指南

1云計算平臺運行維護云資源監(jiān)控實施指南穩(wěn)定運行，提高資源利用效率，及時發(fā)現(xiàn)和解決潛在的問題，保障業(yè)GB/T37938—2019信息技術(shù)云資源監(jiān)控指標(biāo)GB/T37736—2019信息技術(shù)云計算云資源監(jiān)控通用GB/T31167—2023信息安全技術(shù)云計算服務(wù)安全GB/T31168—2023信息安全技術(shù)云計算服務(wù)安全能力要求GB/T37739—2019信息技術(shù)云計算平臺及服務(wù)部署GB/T37972—2019信息安全技術(shù)云計算服務(wù)運行監(jiān)管3.1云計算平臺cloudcomput3.23.3指標(biāo)，并及時發(fā)現(xiàn)異常情況的過程。闡述監(jiān)控在云計算平臺運行維護中的重要性和作2在本文件中,物理資源監(jiān)控指標(biāo)監(jiān)控的對象是提供基礎(chǔ)設(shè)施能力類型的云服務(wù)所需要的資源,包括本文件中對云資源的監(jiān)控通用要求包括技術(shù)要求和管理要求。如圖1所示,監(jiān)控技術(shù)要求從云服務(wù)提供者角色和云服務(wù)客戶角色出發(fā),針對物理資源監(jiān)控指標(biāo)、虛擬資源監(jiān)控指標(biāo)、應(yīng)用服務(wù)監(jiān)控指標(biāo)分5監(jiān)控指標(biāo)體系5.1.1服務(wù)器a)CPU使用率：定義為服務(wù)器CPU在某一時間段內(nèi)處于繁忙狀態(tài)的時間比例80%（可根據(jù)服務(wù)器配置和業(yè)務(wù)需求進行調(diào)整當(dāng)使用率超過設(shè)定的告警閾值（可能表示服務(wù)器負載過高，需要進一步分析原因，如是否存在大量計算任務(wù)同時運行或c)磁盤I/O速率：反映磁盤讀寫數(shù)據(jù)的速度。單位通常為MB/s或KB務(wù)需求而異，一般來說，對于機械硬盤，順序讀寫速率在幾十MB/s到上百MB/s之間，速率較低；對于固態(tài)硬盤，順序讀寫速率可達數(shù)百MB/s甚至更高。當(dāng)磁盤I/O速率低于正圍下限或高于上限時，可能表示磁盤存在故障或負載過e)GPU使用率：表示GPU當(dāng)前工作負載的百分比，合理范圍因使用場景圍約為10%-30%，而游戲或?qū)I(yè)應(yīng)用時，70%-100%是正常的。使用率過高可能指示系統(tǒng)運負載任務(wù)或存在故障，可能導(dǎo)致性能問題；使用率過低則可能意味著GPU未被充分利用或3f)磁盤使用率：指服務(wù)器磁盤被占用的比例。正常范圍通常在0%-9a)存儲容量使用率：計算存儲設(shè)備已使用的容量與總?cè)萘康谋壤?。?dāng)使用率在9b)讀寫延遲：指從發(fā)出讀寫請求到完成讀寫操作所需要的時間。對于機械硬盤，讀寫幾毫秒到幾十毫秒之間；對于固態(tài)硬盤，讀寫延遲通常在零點幾毫秒到幾毫秒）：IOPS差異較大，機械硬盤一般在幾十到幾百IOPS之間，固態(tài)硬盤a)端口流量：記錄網(wǎng)絡(luò)設(shè)備端口在某一時間段內(nèi)傳輸?shù)臄?shù)據(jù)量。通過監(jiān)b)丟包率：指在網(wǎng)絡(luò)傳輸過程中丟失的數(shù)據(jù)包數(shù)量與發(fā)送的數(shù)據(jù)包總數(shù)的比包率應(yīng)極低（小于0.1%），較高的丟包率可能導(dǎo)致網(wǎng)絡(luò)c)延遲時間：從發(fā)送數(shù)據(jù)包到收到響應(yīng)數(shù)據(jù)包所需要的時間。網(wǎng)同類型的網(wǎng)絡(luò)應(yīng)用對延遲的要求不同，如實時視d)帶寬利用率：同服務(wù)器的網(wǎng)絡(luò)帶寬利用率，正常范圍一般在0%5.2.1虛擬機a)CPU配額使用率：虛擬機所分配的vCPU資源在實際使用中的比例。正常范超過分配量，且內(nèi)存使用率在合理范圍內(nèi)（如0%-70%否則可能導(dǎo)致虛擬機運行緩慢或出c)虛擬存儲容量使用率：計算虛擬機存儲已使用的容量與總?cè)萘康谋壤?。時，需要及時擴展虛擬機存儲容量，以避免d)虛擬磁盤讀寫速率：反映虛擬機虛擬磁盤的讀寫數(shù)據(jù)速度。單4過高的利用率可能導(dǎo)致虛擬網(wǎng)絡(luò)擁堵，影響虛擬機之間b)虛擬交換機端口流量：類似于物理網(wǎng)絡(luò)設(shè)備端口流量，用于監(jiān)控虛擬交換機端5.3應(yīng)用服務(wù)監(jiān)控指標(biāo)5.3.1計算服務(wù)a)作業(yè)提交成功率：指用戶提交的計算作業(yè)成作業(yè)提交成功率應(yīng)接近100%，較低的成功率可能表示計算服務(wù)存b)作業(yè)執(zhí)行時間：從作業(yè)開始執(zhí)行到完成所需要的時間。通過監(jiān)控作業(yè)執(zhí)行時間服務(wù)的性能，對于不同類型的作業(yè)，執(zhí)行時間可能有較大差異，應(yīng)根據(jù)業(yè)務(wù)需求設(shè)定合理c)服務(wù)響應(yīng)時間：用戶發(fā)出計算服務(wù)請求到收到響應(yīng)的時間。響互式計算服務(wù)，響應(yīng)時間應(yīng)在幾秒以內(nèi)；對于批處理計算服務(wù)，響應(yīng)時間可適當(dāng)放寬，但5.3.2存儲服務(wù)a)數(shù)據(jù)存儲可靠性：通過數(shù)據(jù)冗余、備份恢復(fù)等機制來確保數(shù)據(jù)存儲數(shù)據(jù)一致性、備份完整性等方式來監(jiān)控數(shù)據(jù)存儲可靠性，要求數(shù)據(jù)存儲可靠性達到較b)數(shù)據(jù)訪問成功率：用戶請求訪問存儲數(shù)據(jù)成功的比例。正100%，較低的成功率可能表示存儲服務(wù)存在故障，如存儲設(shè)備故c)備份恢復(fù)時間：從啟動備份恢復(fù)操作到數(shù)據(jù)完全恢復(fù)可用受的范圍內(nèi)，不同業(yè)務(wù)對備份恢復(fù)時間的要求不同，一般來說，關(guān)鍵業(yè)務(wù)的備份恢復(fù)b)DNS解析成功率：用戶發(fā)出DNS查詢請求到收到正確解析結(jié)果的比例。DNS解析5a)代理軟件部署方式：在需要監(jiān)控的物理服務(wù)器、虛擬機或其他設(shè)備上安裝應(yīng)根據(jù)不同的操作系統(tǒng)和設(shè)備類型進行相應(yīng)的配置和安裝。例如，對于Linux服務(wù)器，過包管理工具進行安裝；對于Windows服務(wù)器，可使用安裝向?qū)нMb)采集的數(shù)據(jù)類型和頻率：代理軟件可以采集多種數(shù)據(jù)類型，包盤I/O、網(wǎng)絡(luò)流量等指標(biāo)。采集頻率可根據(jù)監(jiān)控指標(biāo)的重要性和變化頻性能指標(biāo)，如CPU使用率和內(nèi)存使用率，可設(shè)置為每b)優(yōu)勢：無代理采集不需要在被監(jiān)控設(shè)備上安裝額外的軟件，減少了對設(shè)備的侵入性護成本。同時，它可以更方便地獲取云計算平臺整體的資源信息，不受代理軟件安裝和6.2監(jiān)控工具選擇與配置6.2.1適合遼寧省云計算平臺特點的監(jiān)控a)開源工具：如Zabbix、Nagios等。Zabbix具有強大的監(jiān)控功能，對服務(wù)器、網(wǎng)絡(luò)設(shè)備、虛擬機等進行全面監(jiān)控；Nagios主要側(cè)重于服務(wù)器和網(wǎng)絡(luò)設(shè)備b)商業(yè)軟件：如SolarWinds、Dynatrace等。SolarWin括云資源監(jiān)控功能，其界面友好，功能強大；Dynatrace專注于應(yīng)用程序性能監(jiān)控，同蓋了云資源監(jiān)控的相關(guān)內(nèi)容，具有先進的數(shù)據(jù)分析和故障診斷a)數(shù)據(jù)源配置：根據(jù)所選監(jiān)控工具和采集方法，正確配置數(shù)據(jù)源。對定代理軟件的安裝位置和采集數(shù)據(jù)的存儲位置；對于無代理采集，需要配置API接口b)閾值設(shè)置：針對不同的監(jiān)控指標(biāo)，設(shè)置合理c)告警規(guī)則配置：定義告警的觸發(fā)條件、告警方式和接6a)關(guān)鍵性能指標(biāo)：對于關(guān)鍵性能指標(biāo)，如服務(wù)器的CPU使用率、用率、內(nèi)存使用量等，應(yīng)采用較高的監(jiān)控頻率。一般可設(shè)置為每分鐘或每5分鐘一b)相對穩(wěn)定的指標(biāo)：對于一些相對穩(wěn)定的指標(biāo)，如存儲設(shè)備的存儲容量使用率、網(wǎng)利用率等，可適當(dāng)降低監(jiān)控頻率。例如，可設(shè)置為每小時或每天一次。因為這些指標(biāo)在短變化不大，降低監(jiān)控頻率可以減少監(jiān)控數(shù)據(jù)的存儲量和分析工7.2監(jiān)控頻率確定原則闡述a)資源的重要性：重要的資源，如核心服務(wù)器、關(guān)鍵保其穩(wěn)定運行。對于不太重要的資源，如一些邊緣服務(wù)器或備用存儲設(shè)備，可適當(dāng)降低b)業(yè)務(wù)需求：根據(jù)業(yè)務(wù)對資源的依賴程度和對性能的要求來確定監(jiān)控頻率。例如，對求較高的業(yè)務(wù)，如在線交易系統(tǒng)，相關(guān)資源的監(jiān)控頻率應(yīng)較高；對于一些非實時性業(yè)務(wù)，c)性能影響：考慮監(jiān)控本身對資源性能的影響。過于頻繁的監(jiān)控可時間、內(nèi)存和網(wǎng)絡(luò)帶寬等。因此，在保證監(jiān)控效果的前提下，應(yīng)盡量選擇合適的監(jiān)控頻率a)參考行業(yè)最佳實踐：借鑒云計算行業(yè)內(nèi)普遍認(rèn)可的最佳實踐經(jīng)驗，務(wù)器CPU使用率方面，行業(yè)普遍認(rèn)為當(dāng)使用率超過90%時可能存在潛在風(fēng)險，因此b)云計算平臺的歷史運行數(shù)據(jù)：分析云計算平臺過去的運行數(shù)據(jù)，了和出現(xiàn)異常的情況。根據(jù)歷史數(shù)據(jù)中的峰值和均值，結(jié)合當(dāng)前業(yè)務(wù)需求，合理確定告警閾值。例如，如果歷史數(shù)據(jù)顯示服務(wù)器內(nèi)存使用率在某些情況下會達到85%但仍能正常運行，那么可c)結(jié)合遼寧省的實際業(yè)務(wù)情況：考慮遼寧省本地的業(yè)例如，對于一些對溫度敏感的業(yè)務(wù)，在監(jiān)控服務(wù)器溫度時，可能需要將告警閾值設(shè)置得比一般a)根據(jù)業(yè)務(wù)變化進行調(diào)整：當(dāng)業(yè)務(wù)發(fā)生變化，如業(yè)務(wù)量增加、業(yè)務(wù)類型改也會發(fā)生變化。此時，需要根據(jù)新的業(yè)務(wù)需求重新評估告警閾值。例如，當(dāng)業(yè)務(wù)量增b)根據(jù)云計算平臺的擴展進行調(diào)整：隨著云計算平臺的不斷擴展，資源數(shù)量和配置化。在這種情況下，需要根據(jù)新的資源配置和業(yè)務(wù)需求，重新設(shè)置告警閾值。例如，當(dāng)新的服務(wù)器或存儲設(shè)備時，需要重新評估這些設(shè)備相關(guān)指標(biāo)的告8.2告警方式7收件人地址、郵件主題和內(nèi)容格式等。郵件內(nèi)容應(yīng)包含告警的詳細信息，如告警b)短信：短信告警具有及時性強的特點。在配置短信告警時，需要設(shè)置短信發(fā)c)系統(tǒng)彈窗：在監(jiān)控系統(tǒng)的控制臺或相關(guān)應(yīng)用程序界面統(tǒng)彈窗應(yīng)顯示告警的核心信息，如告警指標(biāo)名稱、當(dāng)前8.2.2確保告警信息準(zhǔn)確性和及時性的a)數(shù)據(jù)驗證：在發(fā)送告警信息之前，對采集到的數(shù)據(jù)進行驗證，確保b)告警規(guī)則優(yōu)化：不斷優(yōu)化告警規(guī)則，使其更加合理和準(zhǔn)確。例如，對標(biāo)，可以設(shè)置一定的波動范圍，在指標(biāo)超出波動范圍且持續(xù)一定時間后才觸發(fā)告警，避c)實時監(jiān)控系統(tǒng)性能：實時監(jiān)控監(jiān)控系統(tǒng)本身的性能果監(jiān)控系統(tǒng)出現(xiàn)故障或性能下降，可能會導(dǎo)致告警信8.3告警處理流程8.3.1定義告警的接收、確認(rèn)、處理和反a)接收：運維人員通過郵件、短信或系統(tǒng)彈窗等方式接收告警信息。在接收查看告警的詳細內(nèi)容，了解告警的原因和相關(guān)b)確認(rèn)：對告警信息進行確認(rèn)，判斷告警是否真實有效。如果是誤報，需要記錄誤c)處理：根據(jù)告警的類型和相關(guān)指標(biāo)的情況，采取相應(yīng)的用率過高的告警，需要檢查運行的程序，看是否有異常進程占用大量CPU資源，必要d)反饋：在處理完告警后，將處理結(jié)果反饋給相關(guān)人員，如上級應(yīng)包括告警的原因、處理措施和最終結(jié)果，以便相關(guān)人員了解情況，并對云計算平臺的運8.3.2明確告警處理各環(huán)節(jié)的責(zé)任人和時a)接收責(zé)任人：運維值班人員為告警接收的第一責(zé)任人，應(yīng)在告警發(fā)出后b)確認(rèn)責(zé)任人：由經(jīng)驗豐富的運維工程師負責(zé)告警確認(rèn)，應(yīng)在接收告警后的10分鐘c)處理責(zé)任人：根據(jù)告警的具體內(nèi)容確定處理責(zé)任人，理，存儲工程師負責(zé)存儲設(shè)備相關(guān)告警的處理等。處理責(zé)任人應(yīng)在確認(rèn)告警后的30處理，并盡快完成處理工作，一般要求在2小時內(nèi)解決問題（對于復(fù)雜問題可）；d)反饋責(zé)任人：處理責(zé)任人在處理完告警后應(yīng)及時將反饋信息發(fā)89監(jiān)控數(shù)據(jù)分析與報告9.1.1統(tǒng)計分析a)描述統(tǒng)計量計算：計算監(jiān)控指標(biāo)的均值、中位數(shù)、標(biāo)準(zhǔn)差等描述統(tǒng)勢和離散程度。例如，通過計算服務(wù)器CPU使用率的均值和標(biāo)準(zhǔn)差，可以判CPU使用率和內(nèi)存使用率之間的相關(guān)性，如果兩者高度相關(guān)，可能表示存在內(nèi)存泄漏或程序?qū)?.1.2趨勢分析b)移動平均分析：采用移動平均法對監(jiān)控指標(biāo)進行平滑處理，去除短期波動，更長期趨勢。例如，對網(wǎng)絡(luò)帶寬利用率進行移動平均分析，可以更清晰地看到網(wǎng)絡(luò)負載的9.1.3通過數(shù)據(jù)分析發(fā)現(xiàn)問題和風(fēng)險的示例a)資源瓶頸發(fā)現(xiàn)：通過對服務(wù)器CPU使用率和內(nèi)存告警閾值，且持續(xù)時間較長，可能表示服務(wù)器存在資源瓶頸，需要對服務(wù)器進行升級或優(yōu)b)性能異常發(fā)現(xiàn)：分析某一時間段內(nèi)虛擬機的虛擬磁盤讀寫速率，如果發(fā)現(xiàn)讀寫速低于正常范圍，可能表示虛擬機內(nèi)部的存儲系統(tǒng)出現(xiàn)故障，需要進一步檢查虛擬機的配置9.2.1報告內(nèi)容和格式規(guī)定a)監(jiān)控指標(biāo)的統(tǒng)計數(shù)據(jù)：包括各個監(jiān)控指標(biāo)的均值、最大值、最小值、統(tǒng)計數(shù)據(jù)所對應(yīng)的時間段。例如，報告中應(yīng)列出服務(wù)器CPU使用率在過去一天內(nèi)的均值b)趨勢圖表：包含各個監(jiān)控指標(biāo)的時間序列圖、移動平均圖等趨勢圖表，以直觀地展c)告警情況匯總：總結(jié)報告期內(nèi)發(fā)生的所有告警事件值、實際值、處理情況等。例如，報告中說明在過去一天內(nèi)服務(wù)器CPU使用率告警3次9.2.2報告生成周期和發(fā)送對象明確a)生成周期：監(jiān)控報告分為日報告、周報告和月報告。日報告應(yīng)在每9況；周報告發(fā)送給運維團隊負責(zé)人和相關(guān)業(yè)務(wù)部門負責(zé)人，用于對本周的運行維護情結(jié)和評估；月報告發(fā)送給公司高層管理人員、運維團隊負責(zé)人和相關(guān)業(yè)務(wù)部門負責(zé)人，以10.1監(jiān)控數(shù)據(jù)安全a)加密傳輸：在數(shù)據(jù)采集過程中，對采集到的數(shù)據(jù)進行加密傳輸，防止數(shù)b)身份認(rèn)證：建立身份認(rèn)證機制，確保只有授權(quán)的采集設(shè)備或工具才b)網(wǎng)絡(luò)隔離：根據(jù)需要，對監(jiān)控數(shù)據(jù)傳輸?shù)木W(wǎng)a)加密存儲：對存儲的監(jiān)控數(shù)據(jù)進行加密存儲，防止數(shù)據(jù)在存儲過程中被b)訪問控制：建立嚴(yán)格的訪問控制機制，限制只有授權(quán)人員才能訪問監(jiān)控數(shù)據(jù)。通過設(shè)色和權(quán)限，明確不同人員對監(jiān)控數(shù)據(jù)的訪問權(quán)限，如運維人員可以查看和分析數(shù)據(jù)a)安全的數(shù)據(jù)分析工具：使用安全的數(shù)據(jù)分析工具對監(jiān)控數(shù)據(jù)進導(dǎo)致數(shù)據(jù)泄露或篡改。例如，選擇經(jīng)過安全認(rèn)證的數(shù)據(jù)分析軟件，定期更新軟b)操作審計：對監(jiān)控數(shù)據(jù)的處理過程進行操作審計，記錄每一個操作步驟和操作人員10.2隱私保護a)用戶身份信息：包括用戶名、密碼、用戶ID等用戶身份識別信息，b)用戶業(yè)務(wù)數(shù)據(jù)：用戶在云計算平臺上存儲和處理的業(yè)務(wù)數(shù)據(jù)，如文件內(nèi)容、些數(shù)據(jù)的監(jiān)控應(yīng)嚴(yán)格按照隱私政策和相關(guān)法律法規(guī)進行，確保不侵犯用戶a)數(shù)據(jù)脫敏：對于可能涉及隱私的監(jiān)控數(shù)據(jù)，如用戶訪問的IP地址等實數(shù)據(jù)替換為虛擬數(shù)據(jù)或進行模糊處理，使數(shù)據(jù)無法直b)隱私政策遵守：制定和遵守嚴(yán)格的隱私政策，明確a)需求分析：對云計算平臺的運行維護需求進行分如，根據(jù)業(yè)務(wù)需求和平臺架構(gòu)，確定需要對服務(wù)器的CPU、內(nèi)存、磁盤和網(wǎng)絡(luò)b)工具選型：根據(jù)需求分析的結(jié)果，選擇適合的監(jiān)控工具和方法。參考前面部分的內(nèi)容，選擇開源工具如Zabbix或商業(yè)軟件如SolarWinds，并確定相應(yīng)的c)人員培訓(xùn)：對參與云資源監(jiān)控實施的人員進行培訓(xùn)，包括監(jiān)義、告警處理流程等內(nèi)容。培訓(xùn)可以通過內(nèi)部培訓(xùn)課程、在線學(xué)習(xí)平臺或邀請專家授課等方式a)硬件環(huán)境準(zhǔn)備：根據(jù)監(jiān)控工具的要求，準(zhǔn)備好相應(yīng)的硬件環(huán)境。例如，要安裝在服務(wù)器上，需要準(zhǔn)備一臺或多臺服務(wù)器，并確保服務(wù)器具備足夠的計算能力、內(nèi)b)軟件環(huán)境準(zhǔn)備：安裝和配置監(jiān)控工具所需的軟件環(huán)境。例如，安裝操作系統(tǒng)c