实时监控服务器CPU、内存、磁盘、网络等指标，异常时自动告警并触发初步排查和恢复操作。
运维团队管理大量服务器需要7x24小时监控
故障响应时间从30分钟缩短至2分钟
约 ¥100-400/月
定义核心监控指标：CPU使用率(>80%警告/>95%严重)、内存使用率、磁盘空间、网络带宽、进程状态、端口可达性。按业务重要性分级，核心服务监控频率更高。
设置多级告警：Warning(黄色)通知值班人员、Critical(红色)通知团队负责人、Fatal(紫色)电话通知+自动扩容。每级告警配置不同的通知渠道和升级策略。
告警触发后自动执行诊断：检查进程列表、查看最近日志、测试网络连通性、检查磁盘IO。诊断结果附在告警消息中帮助运维快速定位问题。
对已知问题配置自动恢复：磁盘满自动清理日志、OOM自动重启服务、连接池耗尽自动扩容。自动恢复后仍发送通知，确保人工确认根因。
定期分析告警数据：误报率、响应时间、重复告警比例。优化阈值减少噪音，合并相关告警，建立告警知识库加速问题定位。
设置告警聚合（同一服务5分钟内只发一次）、依赖关系抑制（上游故障不触发下游告警）、维护窗口静默。
仅对已验证的场景启用自动恢复，设置操作次数限制（同一问题最多自动恢复3次），超过则升级人工处理。
建立服务目录，新服务上线必须配置监控。定期审计监控覆盖率，对未覆盖的服务发出提醒。