功能简介
云监控为云主机提供事件监控能力,实时采集云主机在运行过程中产生的各类事件,包括用户主动操作类事件(如重启、关机、删除等)和系统故障类事件(如迁移失败、热迁移超时、硬件异常触发的迁移等)。您可以基于这些事件配置告警规则,在第一时间感知云主机的异常状态变化,及时进行处理,保障业务稳定运行。
事件说明
| 维度(Dimension) | 事件分类 | 事件(Event) | 事件名称(EventName) | 事件描述(EventDescription) |
|---|---|---|---|---|
| 云主机 | 用户操作类 | delete_instance | 删除云主机 | 云主机被删除(控制台操作、API 调用或到期自动释放)。删除后云主机不可恢复,此事件可用于操作审计与资源变更追溯。 |
| 云主机 | 用户操作类 | reboot_instance | 重启云主机 | 云主机执行了重启操作(控制台操作或 API 调用),重启期间业务会短暂中断。此事件可用于操作审计,区分主动重启与异常掉线。 |
| 云主机 | 用户操作类 | stop_instance | 关闭云主机 | 云主机被执行关机操作(控制台操作或 API 调用),关机后云主机停止运行。此事件可用于操作审计与资源状态变更追溯。 |
| 云主机 | 用户操作类 | detach_interface | 卸载网卡 | 云主机的弹性网卡被卸载,该网卡对应的网络连通性随即中断。若非预期操作,请检查是否存在误操作,并及时确认业务网络是否受影响。 |
| 云主机 | 用户操作类 | resize_instance | 云主机变配 | 云主机完成了规格变更(升配或降配 CPU、内存等)。变配过程中云主机通常需要重启,业务会短暂中断。此事件可用于确认变配操作已生效。 |
| 云主机 | 迁移类 | migration_event_start | 云主机因其他异常发生迁移 | 平台检测到宿主机出现未明确归类的异常(非温度/电源/磁盘/电压/内核/内存/心跳/CPU 等已知类型),为保护业务自动触发云主机迁移,此事件表示迁移流程已开始。迁移期间云主机可能出现重启或者短暂中断。 |
| 云主机 | 迁移类 | migration_event_complete | 云主机迁移成功 | 云主机已完成从源宿主机到目标宿主机的迁移,业务恢复正常运行。此事件通常与 migration_event_start 或各类硬件异常迁移事件成对出现,可用于确认故障恢复。 |
| 云主机 | 迁移类 | recovery_failed | 云主机迁移失败 | 平台自动迁移未能完成,云主机仍停留在异常宿主机上,业务存在持续受影响甚至中断的风险。出现此事件时请立即关注,建议您尽快提交工单处理。 |
| 云主机 | 迁移类 | live_migrate_instance_timeout | 云主机热迁移超时 | 云主机热迁移(不停机迁移)未在预期时间内完成。可能原因包括:内存变更频繁导致脏页速率过高、云主机负载过高、网络带宽受限等。热迁移超时期间云主机保持运行,但建议降低负载后由平台重试或改用冷迁移。 |
| 云主机 | 迁移类 | live_migrate_instance_failure | 云主机热迁移失败 | 云主机热迁移执行失败,云主机仍运行在源宿主机上。可能原因包括:源或目标宿主机资源不足、设备直通(如 GPU/本地盘)不支持热迁移等。若源宿主机存在故障风险,请关注后续迁移结果,必要时提交工单处理。 |
| 云主机 | 迁移类 | evacuate_instance_timeout | 云主机疏散超时 | 宿主机故障场景下,平台将云主机从故障宿主机疏散至健康宿主机的过程超时。疏散期间业务可能已中断,超时意味着恢复时间进一步延长,请关注后续迁移结果,必要时提交工单处理。 |
| 云主机 | 迁移类 | migrate_instance_timeout | 云主机冷迁移超时 | 云主机冷迁移(关机状态下迁移)未在预期时间内完成,云主机在此期间处于不可用状态。超时通常与磁盘数据量大、存储网络异常有关,请关注后续迁移结果,必要时提交工单处理。 |
| 云主机 | 系统异常类 | start_instance_failure | 云主机开机失败 | 云主机开机操作执行失败。可能原因包括:宿主机资源不足、镜像或系统盘异常、底层虚拟化组件故障等。出现此事件时云主机无法启动,建议重试开机,仍失败则提交工单处理。 |
| 云主机 | 系统异常类 | kernel_fault | 云主机因内核异常发生迁移 | 宿主机操作系统内核出现严重异常(如内核 Panic、软锁定),宿主机即将不可用,平台自动将该宿主机上的云主机迁移至健康宿主机。迁移期间业务可能出现重启或者短暂中断。 |
| 云主机 | 系统异常类 | heartbeat_fault | 云主机因心跳异常发生迁移 | 平台与宿主机之间的心跳检测中断,无法确认宿主机健康状态(可能为网络分区或宿主机僵死),平台自动触发云主机迁移以恢复业务。迁移期间业务可能出现重启或者短暂中断。 |
| 云主机 | 系统异常类 | trust_vm_status_abnormal | 云主机可信状态异常 | 开启可信计算的云主机在可信度量校验中发现异常(如启动度量值与基准值不符),表明云主机系统可能被篡改。请立即排查系统完整性,确认是否存在恶意入侵或非法修改。 |
| 云主机 | 硬件异常类 | temperature_fault | 云主机因温度异常发生迁移 | 宿主机温度(CPU/主板/机房环境)超过安全阈值,存在硬件损坏风险,平台自动将该宿主机上的云主机迁移至健康宿主机。此事件表示故障迁移已由温度异常触发,业务可能出现重启或者短暂中断。 |
| 云主机 | 硬件异常类 | power_fault | 云主机因电源异常发生迁移 | 宿主机电源模块出现异常(如单路电源掉电、电源功率异常),存在整机断电风险,平台自动触发云主机迁移。迁移期间业务可能出现重启或者短暂中断。 |
| 云主机 | 硬件异常类 | disk_fault | 云主机因磁盘异常发生迁移 | 宿主机本地磁盘出现介质错误、坏道或 RAID 降级等异常,存在数据丢失风险,平台自动触发云主机迁移,将业务转移到健康宿主机。迁移期间业务可能出现重启或者短暂中断。 |
| 云主机 | 硬件异常类 | voltage_fault | 云主机因电压异常发生迁移 | 宿主机供电电压超出正常范围(过压或欠压),可能导致硬件损坏或宕机,平台自动触发云主机迁移。迁移期间业务可能出现重启或者短暂中断。 |
| 云主机 | 硬件异常类 | memory_fault | 云主机因内存异常迁移 | 宿主机内存出现大量不可纠正错误(UCE)或内存模块故障,存在数据损坏与宕机风险,平台自动触发云主机迁移。迁移期间业务可能出现重启或者短暂中断。 |
| 云主机 | 硬件异常类 | cpu_fault | 云主机因cpu异常发生迁移 | 宿主机 CPU 出现硬件级错误(如 MCE 机器检查异常),存在计算结果错误或宕机风险,平台自动触发云主机迁移。迁移期间业务可能出现重启或者短暂中断。 |
| 云主机 | GPU类 | host:Gpu:Xid | GPU的XID信息 | GPU 驱动上报了 Xid 错误事件,Xid 是 NVIDIA GPU 的错误码体系,涵盖显存 ECC 错误、驱动异常、硬件故障等。不同 Xid 编号对应不同故障类型,请根据事件详情中的 Xid 编号对照 NVIDIA 官方文档评估影响,必要时迁移业务或更换实例。 |
| 云主机 | GPU类 | host:Gpu:Drop | GPU掉卡 | 云主机上的 GPU 卡从系统中掉线(lspci 已无法识别),通常由 GPU 硬件故障、供电异常或链路错误引起,GPU 加速业务将立即不可用。出现此事件时请尽快保存业务状态,并通过重启、重建或提交工单方式恢复。 |
事件分类
为便于理解和配置告警,可将上述事件分为以下几类:
用户操作类:由用户主动操作或 API 调用触发的事件,如云主机的删除、重启、关机、变配等。此类事件可用于操作审计与资源变更追溯。
迁移类:反映云主机在宿主机之间迁移过程与结果的事件,涵盖平台自动迁移、热迁移、冷迁移及故障疏散等场景。其中迁移失败、超时类事件需要重点关注。
系统异常类:宿主机或云主机系统层面出现异常时触发的事件,如内核异常、心跳异常、开机失败、可信状态异常等。
硬件异常类:宿主机底层物理硬件(温度、电源、磁盘、电压、内存、CPU 等)出现异常时触发的事件。此类事件出现时,平台通常已自动触发迁移以保护您的业务。
GPU类:仅适用于 GPU 型云主机,用于监控 GPU 运行状态及故障,如 GPU Xid 错误、GPU 掉卡等。
查看事件
查看支持的事件列表
操作场景
通过云监控“监控概”“页面的”“事件查询”功能,可查看当前资源池云主机支持的全部事件(含 Dimension、Event、EventName、EventDescription),支持搜索与导出。
操作步骤
登录控制中心。
在控制中心页面左上角点击
,选择区域,本文我们选择华东1。
依次选择“管理与部署”,单击“云监控”,进入监控概览页面。
在"监控概览"页面单击"指标查询"页签中的"云主机",进入云主机监控指标和事件查询页面。
单击"事件查询"页签,即可查看当前资源池云主机支持的全部事件。
在右上角搜索框中输入Event 或 EventName 关键字,可快速定位目标事件;单击列表右上角导出图标,可将事件列表导出到本地。
查看已发生的事件记录
云主机产生的上述事件统一上报至云监控平台,您可以在云监控的"事件监控 > 系统事件"页面查看事件记录及监控图表,支持查看近1小时至近7天的事件,也可自定义查询1个月内任意时间段的历史事件。
具体操作步骤请参见云监控帮助文档:查看事件。
事件订阅
云监控提供事件订阅功能,您可以针对上述云主机事件创建订阅任务,实现事件通知与事件数据的存储分析:
场景一:事件通知
使用云监控事件订阅功能,可以及时通过短信、邮件等通知渠道,实时感知云资源异常事件。例如订阅"云主机迁移失败""GPU掉卡"等关键事件后,事件发生时系统将第一时间通知您。
场景二:事件数据存储及分析
使用云监控事件订阅功能,您可将资源监控的事件数据,实时地推送到归档数据库或数据仓库,用于事后审计、故障复盘与长期趋势分析。
具体操作步骤请参见云监控帮助文档:创建事件订阅。
注意事项
硬件异常类事件(温度、电源、磁盘、电压、内存、CPU 异常)由平台自动检测并触发迁移,迁移期间云主机可能出现短暂性能波动,属于平台保护机制,请知悉。
"云主机迁移失败"(recovery_failed)事件出现时,表示平台自动迁移未成功,建议您及时关注该云主机状态,必要时重启或重建云主机,或提交工单处理。
GPU 类事件仅 GPU 型云主机支持,"GPU掉卡"事件通常表示 GPU 硬件或驱动出现严重故障,建议尽快处理。
用户操作类事件由用户操作或 API 调用触发,可用于操作审计与追溯。
注意
部分事件当前仅白名单开放,如需使用,请您提交工单申请开放。