先给结论
监控不是把所有指标堆到面板上,而是让服主在故障发生前知道哪里出了问题。建议将监控拆成进程层、服务端层、玩家体验层和运营业务层,每层都设置清晰的阈值和处理动作。
执行步骤
- 进程层监控服务是否存活、重启次数、端口监听和磁盘空间;这部分负责发现服务器是否根本没在运行。
- 服务端层监控 TPS、mspt、堆内存、GC 停顿、区块队列和实体数量;这部分负责定位性能退化。
- 玩家层监控在线人数、登录失败、连接延迟、超时和掉线峰值;这部分负责判断玩家是否真的受到影响。
- 业务层监控备份成功率、插件报错次数、白名单申请积压和活动报名转化;这部分负责判断运营流程是否稳定。
验收标准
- 每个告警都有对应动作,例如重启、限流、暂停预生成或通知管理员。
- 告警不会因为同一错误每分钟重复轰炸,恢复后能够自动关闭。
- 至少保留 7 天趋势,能够比较版本升级前后的稳定性变化。
常见误区
- 只监控 CPU 和内存,不监控 TPS、mspt、备份和登录失败。
- 阈值设置得过低,导致大量无意义告警,最后真正的事故反而被忽略。
建议先在测试服完成验证,再安排线上维护窗口;每次只改变一组相关变量,并保留可回退的配置和数据副本。