上周五晚上 11 点手机响了——线上服务 CPU 飙到 95%用户开始投诉卡顿。 等我打开电脑登上服务器已经过去 15 分钟了。手动扩了一台实例又花了 5 分钟。整个故障影响了将近 20 分钟。 后来我花了一个下午搭了一套 CloudWatch 告警 自动响应系统。现在 CPU 超过 80% 自动扩容账单超预算自动 Slack 通知。零人工干预睡觉都踏实了。 这篇记录下具体怎么搞的。 ## 先搞清楚 CloudWatch 的基本套路 CloudWatch 是亚马逊云科技的监控服务核心就三件事 1. **收指标**Metrics— EC2 的 CPU、内存、磁盘Lambda 的调用次数、错误率RDS 的连接数 2. **设告警**Alarms— 指标超阈值就触发 3. **做动作**Actions— 触发后干嘛发通知、自动扩容、跑 Lambda 画个图就是这样 指标超阈值 → CloudWatch Alarm → SNS Topic → Lambda/Email/Slack ↓ Auto Scaling Action ## 场景一CPU 超 80% 自动扩容 ### 前提 假设你有一个 Auto Scaling GroupASG里面跑着 2-6 台 EC2 实例。 ### 第一步创建扩容策略 python import boto3 autoscaling boto3.client(autoscaling, region_nameap-northeast-1) # 创建扩容策略加 1 台实例 response autoscaling.put_scaling_policy( AutoScalingGroupNamemy-web-asg, PolicyNamescale-out-on-high-cpu, PolicyTypeSimpleScaling, AdjustmentTypeChangeInCapacity, ScalingAdjustment1, Cooldown300 # 扩容后 5 分钟内不重复扩 ) scale_out_arn response[PolicyARN] print(f扩容策略 ARN: {scale_out_arn}) ### 第二步创建 CloudWatch 告警 python cloudwatch boto3.client(cloudwatch, region_nameap-northeast-1) cloudwatch.put_metric_alarm( AlarmNamehigh-cpu-alarm, AlarmDescriptionCPU 超过 80% 持续 3 分钟自动扩容, MetricNameCPUUtilization, NamespaceAWS/EC2, StatisticAverage, Period60, # 每 60 秒采样一次 EvaluationPeriods3, # 连续 3 个周期都超阈值才触发 Threshold80.0, ComparisonOperatorGreaterThanThreshold, Dimensions[ { Name: AutoScalingGroupName, Value: my-web-asg } ], AlarmActions[scale_out_arn], # 触发扩容策略 UnitPercent ) print(告警创建完成) 关键参数解释 - Period60 EvaluationPeriods3连续 3 分钟 CPU 80% 才触发。避免瞬时毛刺误触发。 - Cooldown300扩容后 5 分钟内不会再次扩容。新实例需要时间启动和加入负载均衡。 ### 缩容也别忘了 流量下来后要自动缩容不然一直跑着白花钱 python # 缩容策略 response autoscaling.put_scaling_policy( AutoScalingGroupNamemy-web-asg, PolicyNamescale-in-on-low-cpu, PolicyTypeSimpleScaling, AdjustmentTypeChangeInCapacity, ScalingAdjustment-1, Cooldown300 ) scale_in_arn response[PolicyARN] # CPU 低于 30% 持续 10 分钟缩容 cloudwatch.put_metric_alarm( AlarmNamelow-cpu-alarm, AlarmDescriptionCPU 低于 30% 持续 10 分钟自动缩容, MetricNameCPUUtilization, NamespaceAWS/EC2, StatisticAverage, Period60, EvaluationPeriods10, Threshold30.0, ComparisonOperatorLessThanThreshold, Dimensions[ { Name: AutoScalingGroupName, Value: my-web-asg } ], AlarmActions[scale_in_arn], UnitPercent ) 缩容的判定条件比扩容松——10 分钟而不是 3 分钟。因为缩容比扩容风险大误缩容会导致服务抖动。 ## 场景二账单超预算 Slack 通知 这个更实用。每个月云上花了多少钱超预算了马上通知。 ### 第一步创建 SNS 主题 python sns boto3.client(sns, region_nameus-east-1) # 账单指标只在 us-east-1 # 创建通知主题 topic sns.create_topic(Namebilling-alerts) topic_arn topic[TopicArn] # 订阅邮件先用邮件测试后面换 Slack sns.subscribe( TopicArntopic_arn, Protocolemail, Endpointyour-emailexample.com ) print(fTopic ARN: {topic_arn}) # 注意邮件订阅需要厷邮箱点确认链接 ### 第二步设置账单告警 python cloudwatch_billing boto3.client(cloudwatch, region_nameus-east-1) cloudwatch_billing.put_metric_alarm( AlarmNamemonthly-bill-over-100, AlarmDescription当月账单超过 $100 告警, MetricNameEstimatedCharges, NamespaceAWS/Billing, StatisticMaximum, Period21600, # 6 小时检查一次 EvaluationPeriods1, Threshold100.0, ComparisonOperatorGreaterThanThreshold, Dimensions[ { Name: Currency, Value: USD } ], AlarmActions[topic_arn], UnitNone ) print(账单告警设置完成) 踩坑提醒 - 账单指标只存在 us-east-1 区域不管你的资源在哪个区。 - 需要先在控制台开启账单告警Billing → Billing Preferences → Receive Billing Alerts。 - EstimatedCharges 是当月累讱预估值不是每天的增量。 ### 第三步接入 Slack 邮件通知太容易漏看了。接 Slack 更实时。 用一个 Lambda 函数做转发 python # lambda_function.py — 部署到 Lambda import json import urllib.request SLACK_WEBHOOK_URL https://hooks.slack.com/services/YOUR/WEBHOOK/URL def lambda_handler(event, context): # 从 SNS 消息中提取告警信息 message event[Records][0][Sns][Message] # 解析 CloudWatch 告警详情 try: alarm json.loads(message) alarm_name alarm.get(AlarmName, Unknown) new_state alarm.get(NewStateValue, Unknown) reason alarm.get(NewStateReason, ) text f *CloudWatch Alert*\n text f*告警名称:* {alarm_name}\n text f*状态:* {new_state}\n text f*原因:* {reason[:200]} except: text f⚠️ CloudWatch 告警:\n{message[:500]} # 发送到 Slack payload json.dumps({text: text}).encode(utf-8) req urllib.request.Request( SLACK_WEBHOOK_URL, datapayload, headers{Content-Type: application/json} ) urllib.request.urlopen(req) return {statusCode: 200} 然后让 SNS 触发这个 Lambda python # 订阅 Lambda 到 SNS 主题 sns.subscribe( TopicArntopic_arn, Protocollambda, Endpointarn:aws:lambda:us-east-1:123456789012:function:slack-notifier ) ## 场景三自定义指标蝑控 CloudWatch 不只能监控亚马逊云科技自带的指标。你的业务指标也能推上去 枯如监控 API 响应时间 python cloudwatch.put_metric_data( NamespaceMyApp/API, MetricData[ { MetricName: ResponseTime, Value: 235.5, Unit: Milliseconds, Dimensions: [ { Name: Endpoint, Value: /api/v1/users } ] } ] ) 在你的 API 代码里每次请求结束后推一个数据点然后对这个自定义指标论告警/ python cloudwatch.put_metric_alarm( AlarmNameapi-slow-response, AlarmDescriptionAPI 响应时间趇凇 1 秒, MetricNameResponseTime, NamespaceMyApp/API, StatisticAverage, Period60, EvaluationPeriods5, Threshold1000.0, ComparisonOperatorGreaterThanThreshold, Dimensions[ { Name: Endpoint, Value: /api/v1/users } ], AlarmActions[topic_arn], UnitMilliseconds ) ## 成本 CloudWatch 的定价其实挲便宜 | 项目 | 免费额度 | 超出价格 | |------|----------|-----------| | 基础监控5 分钟间隔| 所有 EC2 免费 | — | | 详细盟掤1 分钟间隔| — | $0.30/实例/月 | | 告警 前 10 个免费 | $0.10/告警/月 | |0自定义指标 | — | $0.30/指标/月 | | API 调用 | 前 100 万次免费 | $0.01/千次 | 一般中小项目10 个告警 几个自定义指标每月不到 $5。 ## 我的告警清单 跑了一段时间后总结出这些告警是必须有的 | 告警 | 阈值 | 为什么 | |------|------|--------| | CPU 80% | 连续 3 分钟 | 扩容信号 | | CPU 30% | 连续 10 分钟 | 缩容省钱 | | 磁盘 85% | 连续 5 分钟 | 磁盘满了服务会挂 | | 内存 90% | 连续 5 分钟 | OOM 前告警 | | 5xx 错误 1% | 连续 2 分钟 | 服务异常 | | API P99 2s | 连续 5 分钟 | 用户体验恶化 | | 月账单 预算 80% | 6 小时检查 | 避免月底惊喜 | | Lambda 错误率 5% | 连续 3 分钟 | 函数异常 | ## 踩坑总结 1. **账单指标只在 us-east-1** — 这个坑很多人都踩过在其他区域创建账单告警会发现没有指标数据。 2. **告警状态有三种** — OK、ALARM、INSUFFICIENT_DATA。新建的告警初始状态是 INSUFFICIENT_DATA不代表有问题。 3. **内存指标需要 CloudWatch Agent** — EC2 默认不推送内存使用率需要安装 CloudWatch Agent。 4. **告警名称全局唯一** — 同一个账号同一个区域内不能重名。建议用 {环境}-{服务}-{指标} 的命名规范。 5. **SNS 邮件订阅要确认** — 创建订阅后必须去邮箱点确认链接否则收不到通知。 以上代码基于亚马逊云科技 CloudWatch Auto Scaling SNS LambdaPython boto3 验证通过。 --- CloudWatch 免费套餐包含 10 个告警、100 万次 API 调用和所有 EC2 基础监控5 分钟间隔入门阶段完全够用。 CloudWatch 文档https://docs.aws.amazon.com/cloudwatch/