阿里云云主机监控策略

Agent可以连接成是监控探头，要在各个服务器安装一个监控探头，看一下服务器的状态以及网络CPU内存磁盘都可以检测到，所以这个Agent安装到各个节点上就可以做监控了

这样就监控到了各个节点
点开之后还可以看到服务器各种各样的监控情况，如CPU的使用率，内存的使用率，系统平均负载情况，磁盘监控指标，读写的情况，以及公网的流量，公网磁盘的一些参数数据，以及进程的监控网络的监控，云盘的监控以及GPU的监控，报警的规则，也就是看板

系统报警服务配置

设置告警联系人，还要设置告警组，因为很多时候不光要通知一个人，还需要通知一个团队，如运维组的工作人员以及领导，所以多个人要设置成一个组，告警的时候可以根据这个组统一进行告警工作
监控的指标可以有多个维度：比如实例维度磁盘维度地域维度实例维度用户维度网络维度GPU维度进程维度挂载的磁盘的维度都可以进行监控，提供了n多种监控的方式

这样告警联系人和告警组就都设置好了
简单指标是对某一项指标进行监控
组合指标主要是对多项指标联合进行监控，比如CPU占有率90%加上内存90%才会进行预警

通道沉默周期表示：在一定范围内，同样的告警只会发送一次，不会重复发送，要根据服务器的重要程度以及能接受的最长时间进行选择
生效时间为：周一到周日00：00-23：59，意味着7*24小时监控
报警回调可以做一些告警的系统，通过回调告诉告警信息
属于高级配置
恢复通知也要加上，服务器恢复正常也会通知

设置完成

有三台ECS服务器，但是这个配置是针对所有的ESC服务器的，要进行测试CPU达到阈值是否可以预警，只需要测试一台服务器的就可以

sh是运行shell脚本的命令
这个shell脚本里执行的是一个连续且不断触发的命令，这个命令会疯狂的占用CPU的资源，直到占用100%的资源

1分钟内是发短信，3分钟才是短信，这个是普通预警，然后是警告，最后是晋级

告警短信

正在报警的

以及报警历史

私有化大模型需要对GPU做各种各样的优化
设置报警规则分为：
1.设计报警联系人和组
2.设置报警规则
3.选择监控指标和设置报警方案
4.设置告警周期和联系人

测试完成后要退出这个shell脚本

✅ 立即解决方案：杀死这些 yes 进程

方法 1：逐个杀死（推荐）

kill 1936 1937 1938 1939

方法 2：一键杀死所有 yes 进程

pkill yes

或

killall yes

---

🔄 验证是否成功

执行完 kill 或 pkill yes 后，再次运行：

top -n 1

你应该会看到：

• %Cpu(s): 使用率大幅下降（比如降到 1%~5%）
• yes 进程消失
• load average 开始下降