集群监控指标说明 - Elasticsearch| 阿里云

集群监控指标概览

阿里云ES集群的监控指标包含了集群状态、集群查询QPS（Count/Second）、集群写入QPS（Count/Second）、节点CPU使用率（%）、节点磁盘使用率（%）、节点HeapMemory使用率（%）、节点load_1m、FullGc次数（个）、Exception次数（个）以及快照状态。

集群状态

集群状态监控项展示了对应阿里云ES的集群健康度，数值为0.00时表示正常。此监控项必须配置，配置方法请参见配置云监控报警。

当监控项数值不为0.00（基本信息页面的集群状态为非绿色）时，表示集群状态异常，常见原因如下：

监控期间节点的CPU或HeapMemory使用率过高，甚至达到100%。
监控期间节点的磁盘使用率过高（例如节点磁盘使用率超过85%），甚至达到100%。
监控期间节点的load_1m负载过高。
监控期间阿里云ES集群中的索引健康度出现过非健康（非绿色）状态。

各监控项数值含义如下。


数值	颜色	状态	备注
2.00	红色	不是所有的主要分片都可用。	表示该集群中某个或者某几个索引存在主分片丢失（unassigned）的情况。
1.00	黄色	所有主要分片可用，但不是所有复制分片都可用。	表示该集群中某个或者某几个索引存在副本分片丢失（unassigned）的情况。
0.00	绿色	所有主要分片和复制分片都可用。	表示该集群中所有的索引都很健康，不存在丢失（unassigned）的分片。

说明表中的颜色是指在实例的基本信息页面所看到的集群状态的颜色。

集群查询QPS（Count/Second）

注意如果查询QPS流量存在较大突增，可能引起CPU或HeapMemory使用率过高或load_1m负载过高，从而影响阿里云ES服务，请尽量避免这种情况。

集群查询QPS监控项展示了对应阿里云ES集群每秒执行的查询QPS个数。

查询QPS和需要查询索引的主分片个数有关。例如需要查询的索引有5个主分片，则一次查询请求对应5个QPS。

集群写入QPS（Count/Second）

注意如果写入QPS流量存在较大突增，可能引起CPU或HeapMemory使用率过高或load_1m负载过高，从而影响阿里云ES服务，请尽量避免这种情况。

集群写入QPS监控项展示了对应阿里云ES集群每秒写入文档的数量。

如果在1秒内，客户端向阿里云ES集群发送1个只包含单个文档的写入请求，则对应1个写入QPS。如果1秒内发送了多个写入请求，则进行累加统计。

如果在1秒内通过_bulk API在一个写入请求中批量写入多个文档，则写入QPS参考该请求中批量推送的总文档个数。如果1秒内发送了多个_bulk API批量写入请求，则进行累加统计。

节点CPU使用率（%）

节点CPU使用率监控项展示了阿里云ES集群中各节点的CPU使用率百分比，当CPU使用率比较高或接近100%时会影响阿里云ES服务。

当监控项数值存在突增或波动比较大时，服务异常，常见原因如下：

监控期间查询QPS或写入QPS流量存在突增或波动比较大的情况。
监控期间存在个别慢查询或慢写入请求。
此情况下，查询和写入QPS流量波动比较小或不明显，可在阿里云ES控制台中的日志查询页面，单击searching慢日志进行查看分析。
监控期间该阿里云ES集群中存在大量索引或总分片数量非常多。
由于阿里云ES会监控集群中的索引并写入日志，因此当总索引或总分片个数过多时，容易引起CPU或HeapMemory或load_1m负载过高。
监控期间在该阿里云ES集群上执行过Merge操作。
Merge操作会消耗CPU资源，对应节点的Segment Count会出现突降，可在Kibana控制台中节点的Overview页面查看。
监控期间执行过GC操作。
GC操作会尝试释放内存（例如FULL GC），消耗CPU资源。可能会导致CPU使用率突增。
监控期间执行过定时任务，例如数据备份任务或其它自定义的任务。

节点磁盘使用率（%）

节点磁盘使用率监控项展示了对应阿里云ES集群中各节点的磁盘使用率百分比，节点磁盘使用率必须控制在85%以下，强烈建议您配置该监控项。否则可能会出现以下情况，影响阿里云ES服务：

默认数据节点的磁盘使用率超过85%，会导致新的shard无法分配，可能会影响阿里云ES服务。
默认数据节点的磁盘使用率超过90%，阿里云ES会尝试将对应节点中的shard迁移到其它磁盘使用率比较低的数据节点中，可能会影响阿里云ES服务。
默认数据节点的磁盘使用率超过95%，系统会对阿里云ES集群中的每个索引强制设置read_only_allow_delete属性，此时索引将无法写入数据，只能读取和删除对应索引，可能会影响阿里云ES服务。

注意磁盘使用率报警阈值建议控制在75%以下，不要超过80%。发生报警时，可以提前进行磁盘、节点扩容或清理索引数据等操作，防止影响阿里云ES服务。

节点HeapMemory使用率（%）

节点HeapMemory使用率监控项展示了对应阿里云ES集群中各节点的HeapMemory使用率百分比。当HeapMemory使用率比较高或存在比较大的内存对象时，会影响阿里云ES服务，也会自动触发GC操作。

当监控项数值存在突增或波动比较大时，服务异常，常见原因如下：

监控期间查询QPS或写入QPS流量存在突增或波动比较大的情况。
监控期间存在个别慢查询或慢写入请求。
此情况下，查询和写入QPS流量波动比较小或不明显，可在阿里云ES控制台中的日志查询页面，单击searching慢日志进行查看分析。
监控期间存在大量慢查询或慢写入请求。
此情况下，查询和写入QPS流量波动比较大或很明显，可在阿里云ES控制台中的日志查询页面，单击indexing慢日志进行查看分析。
监控期间该阿里云ES集群中存在大量索引或总分片数量非常多。
由于阿里云ES会监控集群中的索引并写入日志，因此当总索引或总分片个数过多时，容易引起CPU或HeapMemory或load_1m负载过高。
监控期间在该阿里云ES集群上执行过Merge操作。
Merge操作会消耗CPU资源，对应节点的Segment Count会出现突降，可在Kibana控制台中节点的Overview页面查看。
监控期间执行过GC操作。
GC操作会尝试释放内存（例如FULL GC），消耗CPU资源。可能会导致HeapMemory使用率突降。
监控期间执行过定时任务，例如数据备份任务或其它自定义的任务。

节点load_1m

节点load_1m监控项展示了对应阿里云ES集群中各节点在1分钟内的负载情况，表示各节点的系统繁忙程度。该监控项的正常数值应该低于当前阿里云ES节点规格的CPU核数。

当监控项数值超过当前阿里云ES节点规格的CPU核数时，服务异常，常见原因如下：

监控期间节点的CPU、HeapMemory使用率高或为100%。
监控期间查询QPS或写入QPS流量存在突增或上涨比较大的情况。
监控期间存在耗时比较大的慢查询。
可能存在个别慢查询或者大量慢查询，可在阿里云ES控制台中的日志查询页面，打开对应日志进行查看分析。

以单核的阿里云ES节点为例，监控项数值说明如下：

节点load_1m<1：没有等待的进程。
节点load_1m=1：系统无额外的资源运行更多的进程。
节点load_1m>1：进程拥堵，等待资源。

FullGc次数（个）

警告当系统出现频繁FULL GC时，会影响阿里云ES服务。

FullGc次数监控项展示了对应阿里云ES集群中1分钟内的GC总次数。

当监控项数值不为0时，服务异常，常见原因如下：

监控期间HeapMemory使用率比较高。
监控期间存在比较大的内存对象。

Exception次数（个）

Exception次数监控项展示了对应阿里云ES集群的主日志中，一分钟内出现的警告级别日志的总个数。

当监控项数值不为0时，服务异常，常见原因如下：

监控期间查询请求可能存在异常。
监控期间写入请求可能存在异常。
监控期间阿里云ES执行任务时，可能遇到异常。
监控期间执行过GC操作。

说明

在阿里云ES控制台中的日志查询页面，单击主日志。在主日志页面，根据时间点查看详细异常信息，并分析异常原因。
如果主日志中有GC记录，也会在Exception次数监控项中进行统计展示。

快照状态

快照状态监控项展示了对应阿里云ES控制台中的自动备份功能的快照状态。当监控项数值为-1或0时，表示服务正常。

监控项数值为2时，服务异常，常见原因如下：

节点磁盘使用率很高或接近100%。
阿里云ES集群不健康。

监控项的数值含义如下：

0：表示有快照。
-1：表示没有快照。
1：表示正在进行快照。
2：表示快照任务失败。