首页
学习
活动
专区
圈层
工具
发布
社区首页 >专栏 >CVM 五分钟 CPU 告警比对的是最大值,不是平均

CVM 五分钟 CPU 告警比对的是最大值,不是平均

原创
作者头像
一只特立独行的兔先生
发布于 2026-11-21 21:17:57
发布于 2026-11-21 21:17:57
110
举报

CPU 告警不响,或把统计粒度从 1 分钟改成 5 分钟后曲线点反而更高,多半不是阈值写错。告警比对的是按粒度聚合后的点,持续点数决定越线和恢复各要等几个点。

告警比对的是聚合后的点,不是瞬时采样

指标告警由指标、比较关系、阈值、统计粒度和持续数据点组成。粒度是分析间隔,不是 top 的采样间隔。曲线上的点没越线,就不发通知。

CpuUsage、MemUsage 是 60 秒 avg、300 秒 max。CvmDiskUsage 从 60 秒起就是 max,且是所有磁盘里的最大值。DcCpuUsage 在 300 秒仍是 avg,不要套到所有 CPU 指标。

告警侧更窄。DescribeAlarmMetrics 文档示例里,cvm_device 的 CpuUsage、BaseCpuUsage、MemUsage、CvmDiskUsage,Period 只有 60 和 300,ContinuePeriod 只有 1 到 5。有 10 秒曲线,不代表能配 10 秒告警。以接口返回为准,不要手填 10 或 3600。

60 秒改成 300 秒,是从平均改成最大,不是把窗口拉长再求平均。短尖刺可能被 60 秒平均压到 80 以下,300 秒 max 仍可能越线。五个 60 秒平均值的算术平均,也不是 300 秒那个点。

GetMonitorData 的 Period 默认 300。查 CpuUsage 时漏传,拿到的就是 max。未提供的统计方式可能有误差,不要用 300 秒平均值对账。

粒度

CpuUsage、MemUsage

持续 1 个点

持续 5 个点

60 秒

avg

1 分钟

5 分钟

300 秒

max

5 分钟

25 分钟

CvmDiskUsage 两档都是 max。表中的 5 是文档示例上限。

触发要连续 N 个点,恢复同样要等 N 个点

持续点数是防抖。静态阈值示意图按同一个持续点数画触发和恢复,例子是连续 3 个点。这 N 个点都要满足,不是窗口内任意凑满。

发现时间按 Period × ContinuePeriod 估算。示例里最快 60 秒,最慢门槛 25 分钟。300 秒、持续 2 个点,触发和恢复各约 10 分钟,不含未写明的采集延迟。

通知另算:24 小时内按设定间隔,之后每天一次,超过 7 天未恢复不再告警。恢复后周期重算。「只告警一次」是触发和恢复各一次。NoticeFrequency 只有 0、300、600、900、1800、3600、7200、10800、21600、43200、86400,不要填 60。分级只换阈值,接口字段是 Serious、Warn、Remind,且只支持云产品监控和应用性能监控。

采集中断不会让「大于阈值」响

时间戳数组里没有的时刻是没数据,不是 0。gt 80 只看有值的点,组件报不上来时这条规则不响。

BaseCpuUsage 由宿主机采集,不依赖监控组件,不要和 CpuUsage 共用阈值。no_data 才用来盯采集中断。历史状态 NO_DATA 是数据不足,和 ALARM、OK、NO_CONF 分开。数据不足时查断点,不要放宽阈值。

CvmDiskUsage 是所有盘的最大值。一块数据盘打满,整机告警也会响。分区用带 diskname 的指标。告警维度示例是 vm_uuid,拉数是 InstanceId。

多条件、环比改变的是判定,不是粒度

IsUnionRule:0 任意,1 所有,2 复合并要配 ComplexExpression。选了「所有」,纯 CPU 打满不会响。复合式 (1AND2)OR3 先 AND 后 OR,多个子句成立也只发一条。

环比上升的增长率 = (当前值 − 上个值) / 上个值,要连续 n 个点都大于阈值。从 10 到 30,公式结果是 2(涨了两倍),从 90 到 95 是 5/90。阈值按百分比还是按这个比值填,以该指标的配置说明为准。高位走平会恢复,不适合盯「已经很高」。前一点为 0 时不要用。CpuUsage 示例有 cycle_* 和 no_data,没有 day_*、week_*,同比以 Operator 列表为准。

用指标列表和两次拉取核对策略

脚本读 TENCENTCLOUD_SECRET_ID、TENCENTCLOUD_SECRET_KEY。策略类型 cvm_device,拉数命名空间 QCE/CVM。不能拉容器服务监控。三段在同一个文件里。

代码语言:python
复制
import json, os
from tencentcloud.common import credential
from tencentcloud.common.profile.client_profile import ClientProfile
from tencentcloud.common.profile.http_profile import HttpProfile
from tencentcloud.monitor.v20180724 import monitor_client, models

def client(region):
    cred = credential.Credential(os.environ["TENCENTCLOUD_SECRET_ID"], os.environ["TENCENTCLOUD_SECRET_KEY"])
    hp = HttpProfile()
    hp.endpoint = "monitor.tencentcloudapi.com"
    pf = ClientProfile()
    pf.httpProfile = hp
    return monitor_client.MonitorClient(cred, region, pf)

def show_limits(region):
    req = models.DescribeAlarmMetricsRequest()
    req.from_json_string(json.dumps({"Module": "monitor", "MonitorType": "MT_QCE", "Namespace": "cvm_device"}))
    want = {"CpuUsage", "BaseCpuUsage", "MemUsage", "CvmDiskUsage"}
    for m in client(region).DescribeAlarmMetrics(req).Metrics:
        if m.MetricName not in want:
            continue
        c = m.MetricConfig
        print(m.MetricName, list(c.Period), list(c.ContinuePeriod), list(c.Operator))

60 秒和 300 秒各拉一次。文档英文名是 CpuUsage,请求示例写成 CPUUsage,空了再换大小写。空数组不是 0。单次最多 50 个实例、7200 个点,每月 100 万次免费额度,不要空转。

代码语言:python
复制
import datetime

def pull(region, instance_id, period, metric="CpuUsage"):
    end = datetime.datetime.now(datetime.timezone(datetime.timedelta(hours=8)))
    start = end - datetime.timedelta(minutes=30)
    req = models.GetMonitorDataRequest()
    req.from_json_string(json.dumps({
        "Namespace": "QCE/CVM", "MetricName": metric, "Period": period,
        "Instances": [{"Dimensions": [{"Name": "InstanceId", "Value": instance_id}]}],
        "StartTime": start.strftime("%Y-%m-%dT%H:%M:%S+08:00"),
        "EndTime": end.strftime("%Y-%m-%dT%H:%M:%S+08:00"),
    }))
    pts = client(region).GetMonitorData(req).DataPoints[0]
    for ts, val in zip(pts.Timestamps or [], pts.Values or []):
        print(int(ts), val)

历史按 FirstOccurTime 过滤。只查最近一小时,会漏掉仍未恢复的旧告警。子用户只能看被授权项目。

代码语言:python
复制
import time

def open_cpu_alarms(region):
    now = int(time.time())
    req = models.DescribeAlarmHistoriesRequest()
    req.from_json_string(json.dumps({
        "Module": "monitor", "PageNumber": 1, "PageSize": 20, "Order": "DESC",
        "StartTime": now - 7 * 24 * 3600, "EndTime": now,
        "MonitorTypes": ["MT_QCE"], "AlarmStatus": ["ALARM"],
        "Namespaces": [{"MonitorType": "MT_QCE", "Namespace": "cvm_device"}],
        "MetricNames": ["CpuUsage"],
    }))
    for h in client(region).DescribeAlarmHistories(req).Histories or []:
        print(h.AlarmObject, h.AlarmStatus, h.FirstOccurTime, h.LastOccurTime)

点数不够就不响。300 秒高于 80、60 秒平均低于 80,可以同时成立。

上线前对一下这几项

  • 策略类型 cvm_device,拉数 QCE/CVM。InstanceId 和 vm_uuid 不要混用。
  • Period、ContinuePeriod 以接口为准。CpuUsage 从 60 秒改到 300 秒是从 avg 改成 max。发现和恢复都按 Period × ContinuePeriod 估算,超过 7 天未恢复不再告警。
  • 采集中断用 no_data 或 BaseCpuUsage。整机磁盘告警是所有盘的最大值。
  • 「所有」会滤掉单指标故障。环比不适合盯高位。查历史要把 StartTime 放到首次触发之前。短信每月 1000 条免费额度用完、渠道未验证、策略未启用,都会表现为没收到通知。

参考文档:

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

目录
  • 告警比对的是聚合后的点,不是瞬时采样
  • 触发要连续 N 个点,恢复同样要等 N 个点
  • 采集中断不会让「大于阈值」响
  • 多条件、环比改变的是判定,不是粒度
  • 用指标列表和两次拉取核对策略
  • 上线前对一下这几项
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档