超融合平台监控指标：别只看虚拟机 CPU 和内存

很多团队搭好虚拟化平台后，只监控虚拟机 CPU、内存和磁盘使用率。这对超融合平台远远不够。

超融合平台的故障往往来自底层资源：存储延迟、OSD 异常、网络丢包、节点负载不均、备份失败、容量水位过高。

建议监控分层：

计算层：

• 宿主机 CPU、内存、负载。
• 虚拟机运行状态。
• 虚拟机迁移失败次数。

存储层：

• 集群健康状态。
• 容量水位。
• OSD/磁盘状态。
• 存储延迟和恢复状态。

网络层：

• 网卡错误包、丢包。
• 存储网络延迟。
• 迁移网络带宽。

运维层：

• 备份成功率。
• 快照数量。
• 任务队列。
• 节点维护状态。

告警要可行动。比如“存储延迟升高”应该告诉值班人员先看哪些 OSD、哪些节点、是否有恢复任务，而不是只发一个红色提示。

超融合监控的目标是提前发现风险，不是等虚拟机已经卡死才报警。

建议告警规则

容量类：

• 存储使用率超过 75% 预警。
• 存储使用率超过 85% 严重告警。
• 单个 OSD 使用率明显高于平均值。

性能类：

• 存储 P95/P99 延迟超过基线。
• 网卡错误包持续增长。
• 迁移任务失败率升高。

可用性类：

• 节点离线。
• OSD down。
• PG degraded。
• 备份连续失败。

仪表盘建议

一个好用的 HCI Dashboard 应该同时展示：

• 集群健康总览。
• 节点资源水位。
• 存储容量趋势。
• 存储延迟趋势。
• Top 虚拟机 IO。
• 备份成功率。
• 当前告警和变更窗口。

单独的 CPU、内存图表不够。超融合故障通常是多层指标一起变化，Dashboard 要能帮助值班人员快速关联。