柬埔寨机房网络监控指标与报警规则设置详解

1.

监控设计起点：确定监控对象与SLA

- 明确对象：核心交换机、边界路由、汇聚交换机、服务器、UPS、CRAC（空调）。
- 确定SLA：带宽可用率（99.95%）、链路延迟（内网<5ms，国际出口<80ms）与丢包（<0.5%）。
- 输出资产清单（CSV）：设备名、管理IP、厂商、型号、SNMP团体或证书、联系人。

2.

基础监控指标与常用OID/Exporter

- 接口流量：ifInOctets/ifOutOctets（IF-MIB 1.3.6.1.2.1.2.2.1.10/16），周期取样计算带宽利用率。
- 接口状态：ifOperStatus（1.3.6.1.2.1.2.2.1.8）；CPU/内存：cpmCPUTotal5min或设备自定义OID。
- 温度/风扇：ENTITY-SENSOR（entSensorValue），UPS电池/箱体状态通过SNMP或NUT。
- 对于Prometheus使用node_exporter（服务器）、snmp_exporter（网络设备），并在snmp_exporter配置targets指向管理IP。

3.

在设备上开启SNMP（以Cisco示例）

- SNMPv2c（快速测试）：config t → snmp-server community MONITOR_RO RO
- SNMPv3（建议生产安全）：config t → snmp-server group MONGRP v3 priv → username monuser auth sha MyAuthPass priv aes 128 MyPrivPass → snmp-server user monuser MONGRP v3 auth sha MyAuthPass priv aes 128 MyPrivPass。
- 验证：show snmp user、snmpwalk -v3 -u monuser -l authPriv -a SHA -A MyAuthPass -x AES -X MyPrivPass .

4.

部署Prometheus + node_exporter（服务器端）

- 安装node_exporter：在Linux服务器上wget最新包 → tar xvf → sudo useradd --no-create-home nodeusr → 设置systemd服务并启动。
- 修改prometheus.yml：添加scrape_configs -> job_name: 'node' -> static_configs: targets: ['10.0.0.5:9100']。
- 重载Prometheus：systemctl restart prometheus，访问http://prometheus:9090/targets确认抓取状态为UP。

5.

配置snmp_exporter与Prometheus抓取网络设备

- snmp_exporter准备：编辑snmp.yml定义module（walk OID集合）；在prometheus.yml加入job_name: 'snmp' 和 targets 列表。
- 示例targets：['192.168.1.1']，module: cisco。
- 验证：Prometheus targets页面看到snmp job UP，使用PromQL查看ifInOctets等指标。

6.

定义报警规则（Prometheus Alertmanager示例）

- 基础模板：groups -> rules -> alert: HighInterfaceUtilization expr: (rate(ifHCInOctets[5m]) + rate(ifHCOutOctets[5m])) / (ifSpeed) * 8 > 0.85 for: 5m labels: severity: warning annotations: summary: "接口{{ $labels.ifDescr }} 利用率高".
- 高优先级阈值：>0.95 for: 1m -> severity: critical。
- 报警抑制（hysteresis）：使用for字段并设置恢复条件（利用率<0.75 for 3m）。

7.

在Zabbix/Nagios上实现告警策略（步骤）

- Zabbix：Host导入 SNMP 模板（Template Net Cisco IOS），配置 Items（接口流量、错误、丢包）、Triggers（示例：{host:ifInRate.avg(300)}>0.85*ifSpeed）。
- Action配置：Trigger severity -> Operations（发邮件/短信/执行脚本），添加依次执行（初级通知 -> 10分钟未恢复 -> 电话）。
- 测试：手动模拟接口流量或downlink，观察Trigger触发并接收通知。

8.

告警分级与通知渠道设计

- 级别：info / warning / critical / emergency。
- 通道：邮件（告警汇总）、SMS/电话（critical）、Slack/WeChat（团队通知）、PagerDuty（值班）。
- 运行操作：在Alertmanager配置routes根据severity路由到不同receiver，并设置恢复通知与重复抑制（group_wait、group_interval）。

9.

测试与演练：如何验证报警有效性

- 单点测试：使用snmptrap发送trap测试、Prometheus firing rule触发：curl -XPOST -d'[{...}]' http://alertmanager/api/v1/alerts。
- 恢复测试：确认恢复消息能清除报警并触发告警结束通知。
- 演练：每季度做一次事故演练（网络切换/链路断开），记录RCA与改进项。

10.

本地化注意事项（柬埔寨机房特殊考虑）

- 国际链路：监控海缆/ISP出口延迟与丢包，设置到新加坡/香港的专门延迟阈值。
- 多运营商策略：对不同ISP设置不同阈值与BGP监控（BGP session down立即告警）。
- 运维联系：在告警中包含本地团队与国际支援联系方式、权限及应急切换步骤。

11.

常见报警规则示例汇总（便于复制）

- 接口利用率：>85% for 5m（warning），>95% for 1m（critical）。
- 丢包率：ICMP丢包>1% for 5m 或接口ifInErrors/ifInUcastPkts>0.5%（warning）。
- 设备资源：CPU>85% for 10m，磁盘使用>90%。

12.

运维手册与故障处理清单

- 编写runbook：每个alert包含检查步骤（ping/traceroute/ssh/snmpwalk）、快速缓解（重启接口/路由切换）、升级路径（谁负责）。
- 监控SLA报表：每日/每周生成availability报表并存档，作为与客户或管理层沟通的依据。

13.

问：在柬埔寨机房部署监控，首要做什么？

问：首要做什么？ 答：先做设备与链路清单并定义SLA，确认可访问管理IP与权限（SNMP/v3、SSH、API），然后分批部署agent或snmp_exporter，逐步导入Prometheus或Zabbix并建立基础报警规则，先覆盖核心交换、边界路由与UPS。

14.

问：如何避免告警风暴（重复/抖动）？

问：如何避免告警风暴？ 答：设置合理的for/hysteresis（例如连续5分钟才报警），使用grouping与dedup（Alertmanager），对抖动指标使用平均值或percentile（5m avg或95th），并在Trigger中加入抑制规则只对持续故障报警。

15.

问：常见工具选型建议是什么？

问：常见工具选型？ 答：小规模或混合环境建议Prometheus+Alertmanager+Grafana+snmp_exporter，企业级可用Zabbix或SolarWinds；结合Syslog/NetFlow分析工具可提升可视性，选择时考虑本地带宽、维护能力与合规性。

文章标签：柬埔寨 机房 网络 监控 指标 报警 规则 SNMP Prometheus Zabbix Node_exporter 警报 设置 更多»

来源：柬埔寨机房网络监控指标与报警规则设置详解