VPS知识分享站先说结论：云服务器监控的最小可用组合是 node_exporter + Prometheus + Grafana + Alertmanager。node_exporter 采集，Prometheus 存储和告警，Grafana 展示，Alertmanager 负责通知和分组。小团队一台 2 核 4G 就能跑，但监控数据会占磁盘，保留时间要设上限。
先看架构：
- node_exporter：跑在每台被监控机器上，暴露 CPU、内存、磁盘、网络指标
- Prometheus：定时拉取指标，存时间序列，按规则告警
- Grafana：查询 Prometheus，画面板和图表
- Alertmanager：接收告警，去重、分组、静默、路由到邮件/钉钉/飞书
部署方式
可以用 Docker Compose 一次拉起，也可以分开装。监控机建议独立，别和被监控业务抢资源；小规模可以和业务同机，但要限制 Prometheus 内存和保留时间。
services:
prometheus:
image: prom/prometheus
volumes:
- ./prometheus.yml:/etc/prometheus/prometheus.yml
- prom-data:/prometheus
ports: ["9090:9090"]
grafana:
image: grafana/grafana
volumes: [grafana-data:/var/lib/grafana]
ports: ["3000:3000"]
node-exporter:
image: prom/node-exporter
ports: ["9100:9100"]
volumes:
prom-data:
grafana-data:
Prometheus 配置
global:
scrape_interval: 15s
evaluation_interval: 15s
scrape_configs:
- job_name: node
static_configs:
- targets: ['node-exporter:9100']
- job_name: app
static_configs:
- targets: ['app:8080']被监控机器多时，用文件服务发现或各自跑 node_exporter，Prometheus 统一拉取。跨公网拉取要加 TLS 和鉴权，别把 9090 暴露公网。
看哪些指标
- CPU：使用率、iowait、steal
- 内存：available、swap、OOM
- 磁盘：使用率、inode、await、IOPS
- 网络：带宽、丢包、重传
- 系统：load、文件描述符、进程数
- 应用：QPS、错误率、延迟、队列长度
指标不在多，关键是能对应到业务。CPU 高不一定影响用户，错误率和延迟升高才是。
告警规则
groups:
- name: server
rules:
- alert: HighCPU
expr: 100 - avg by(instance)(rate(node_cpu_seconds_total{mode="idle"}[5m])) * 100 > 85
for: 10m
labels: {severity: warning}
annotations: {summary: "CPU 持续高于 85%"}
- alert: DiskFull
expr: (node_filesystem_avail_bytes / node_filesystem_size_bytes) * 100 < 15
for: 10m
labels: {severity: critical}
- alert: TargetDown
expr: up == 0
for: 2m
labels: {severity: critical}for 很重要，避免瞬时抖动刷告警；阈值按业务基线调，别照抄。
通知怎么配
Alertmanager 负责分组、抑制、静默和路由。按 severity 分到不同渠道：critical 打电话/钉钉，warning 发群，info 只记录。配置 group_wait、group_interval、repeat_interval，避免半夜被同一告警刷屏。
Grafana 面板
先导入 Node Exporter Full 模板，再按业务加应用面板。面板分三层：总览（红绿灯）、资源（CPU/内存/磁盘/网络）、业务（QPS/错误率/延迟）。每块面板都要能回答问题，不是为了好看。
存储和保留
Prometheus 本地存储按时间保留，默认 15 天，数据量大时磁盘涨得快。设置 --storage.tsdb.retention.time=15d 或容量上限；长期存储接 Thanos/VictoriaMetrics，小团队先别上。
安全
Prometheus、Grafana、node_exporter 都不要直接暴露公网。Grafana 改默认密码、开 HTTPS、限制来源；node_exporter 只让 Prometheus 访问；Alertmanager 的 webhook 也要鉴权。
常见坑
- 监控和被监控业务同机，故障一起挂
- 保留时间太长，磁盘先满
- 告警没有 for，抖动刷屏
- 只监控 CPU，不监控磁盘和证书
- Grafana 默认密码不改，被扫到
- 告警发到没人看的群
常见问题 FAQ
Q1：2 核 4G 能跑 Prometheus + Grafana 吗？
能，监控十几台机器没问题。注意保留时间和磁盘，数据量大了加内存或换远端存储。
Q2：node_exporter 要每台都装吗？
要，它采集主机指标。应用指标用各自的 exporter 或埋点。
Q3：告警发到哪里好？
按团队习惯：钉钉/飞书/企业微信/Slack/邮件。关键是有人响应，别只发到一个没人看的邮箱。
Q4：Prometheus 和 Zabbix 怎么选？
云原生、容器多、指标维度多，选 Prometheus；传统主机、网络设备、要开箱即用，Zabbix 也够。
Q5：监控数据要保留多久？
小团队 15 到 30 天够排障；合规或趋势分析再延长，并做降采样或远端存储。
总结
监控不是装个 Grafana 就完事：采集、存储、告警、通知、面板、保留策略、安全，每一环都要配。先监控核心指标，再逐步加应用和业务指标，别一开始铺太大。
需要一台独立监控机，可以按小时开一台萤光云香港 CN2 VPS，把 Prometheus 和 Grafana 先跑起来。
