阿里云Elasticsearch为运行中的集群提供了多项基础监控指标（例如集群状态、集群查询QPS、节点CPU使用率、节点磁盘使用率等）和高级监控报警指标（例如Cluster、Index、Note Resource等），用来监测集群的运行状况。您可以根据这些指标，实时了解集群的运行状况，及时处理潜在风险，保障集群稳定运行。本文介绍如何查看集群监控详情，以及各监控指标含义、异常原因和异常处理建议。

查看集群监控详情

  1. 登录阿里云Elasticsearch控制台。
  2. 在左侧导航栏，单击Elasticsearch实例。
  3. 进入目标实例。
    1. 在顶部菜单栏处，选择资源组和地域。
    2. 在左侧导航栏，单击Elasticsearch实例，然后在Elasticsearch实例中单击目标实例ID。
  4. 在左侧导航栏，选择监控与日志 > 集群监控。
  5. 查看监控详情。

集群状态

指标含义

集群状态指标展示了集群的健康度，数值为0.00时表示正常。此监控指标必须配置，配置方法请参见配置集群告警。指标各数值的含义如下。
数值 颜色 状态 说明
2.00 红色 不是所有的主分片都可用。 表示该集群中某个或某几个索引的主分片丢失（unassigned）。
1.00 黄色 所有主分片可用，但不是所有副本分片都可用。 表示该集群中某个或某几个索引的副本分片丢失（unassigned）。
0.00 绿色 所有主分片和副本分片都可用。 表示该集群中的所有索引都很健康，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。

指标异常原因

监控期间，当指标数值不为0.00时，表示集群状态异常，常见原因如下：
  • 节点的CPU或HeapMemory使用率过高，甚至达到100%。
  • 节点的磁盘使用率过高，例如超过85%，甚至达到100%。
  • 节点的load_1m负载过高。
  • 集群中索引的健康度出现过非健康（非绿色）状态。

异常处理建议

  • 在Kibana控制台的Monitoring页面查看监控信息，或者查看实例的日志，获取问题的具体信息，并排查解决（例如索引占用内存太大，可删除一些索引）。
  • 对于磁盘使用率过高导致集群异常的情况，建议参见集群磁盘使用率过高和read_only问题的排查与处理方法排查解决。
  • 对于1核2 GB规格的实例，遇到实例状态不正常的问题时，建议先按照1:4（CPU:Mem）的规格升配集群，增大实例规格。升配后，如果状态依然异常，建议参见以上两种方案排查解决。

慢查询耗时分布

指标含义

慢查询耗时分布指标展示了集群在每500ms内，慢查询的数量分布。

例如：获取2021.10.15~2021.10.16区间内慢查询分布，0ms≤search_time_ms（慢查询耗时）<500ms，此区间分布了10000条慢查询日志；500ms≤search_time_ms（慢查询耗时）<1000ms，此区间分布了20000条慢查询日志。耗时分布时间按照500ms间隔进行累加。

指标异常原因

监控期间，当区间慢查询耗时，查询数量增大时，服务异常，常见原因如下：
指标异常原因 说明
QPS 查询QPS或写入QPS流量突增或波动较大，集群压力大，相对单条查询耗时久。
有agg查询或者有脚本查询 聚合查询场景，需要耗用大量的计算资源做数据聚合，尤其是内存，在使用时请注意。
term查询数值字段 大批量的数值型byte、short、integer、long字段做term查询时，在构造docid集合的bitset很耗时，会影响查询速度。如果该数值字段没有range和agg聚合需求，建议改为keyword类型字段。
模糊匹配 通配符和正则表达式、模糊查询，需要遍历倒排索引中的词条列表来找到所有的匹配词条，进而逐个词条地收集对应的文档ID。尤其在未压测的前提下，大批量的查询，会耗用大量的计算资源，建议使用前结合场景压测，选择合适的量级。
存在个别慢查询或慢写入请求 此情况下，查询和写入QPS流量波动较小或不明显，可在阿里云Elasticsearch控制台中的查询日志页面，单击searching慢日志查看分析。
集群中存在大量索引或总分片数量非常多 由于Elasticsearch会监控集群中的索引并写入日志，因此当总索引或总分片数量过多时，容易引起CPU或HeapMemory使用率过高，或load_1m负载过高，影响整个集群查询速度。
在集群上执行过Merge操作 Merge操作会消耗CPU资源，对应节点的Segment Count会突降，可在Kibana控制台中节点的Overview页面查看。
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，影响查询速度。
执行过定时任务 数据备份或其他自定义任务，需要占用大量的IO资源，影响查询速度。

集群写入QPS（Count/Second）

注意 如果写入QPS流量突增，可能引起CPU使用率、HeapMemory使用率或load_1m负载过高，影响集群服务，请尽量避免这种情况。

指标含义

集群写入QPS指标展示了集群每秒写入文档的数量。具体说明如下：
  • 如果1秒内，客户端向集群发送了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，则累加统计。
  • 如果1秒内，通过_bulk API在一个写入请求中批量写入了多个文档，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，则累加统计。

集群查询QPS（Count/Second）

注意 如果查询QPS流量突增，可能引起CPU使用率、HeapMemory使用率或load_1m负载过高，影响集群服务，请尽量避免这种情况。

指标含义

集群查询QPS指标展示了集群每秒执行的查询QPS数量，查询QPS数量与待查询索引的主分片个数有关。

例如：待查询索引有5个主分片，则一次查询请求对应5个QPS。

index写入QPS

指标含义

index写入QPS指标展示了索引每秒写入文档的数量。具体说明如下：
  • 如果1秒内，客户端向该索引发送了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，则累加统计。
  • 如果1秒内，通过_bulk API在一个写入请求中批量写入了多个文档，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，则累加统计。

指标异常原因

监控期间，该指标可能存在没数据，常见原因如下：
  • 集群压力大，影响集群监控数据的正常采集。
  • 监控数据未成功推送。
注意 索引写入QPS流量突增，可能就是该索引引起了集群CPU使用率、HeapMemory使用率或load_1m负载过高，影响整个集群服务，可以针对该索引进行优化。

index查询QPS

指标含义

index查询QPS指标展示了索引每秒执行的查询QPS数量，查询QPS数量与待查询索引的主分片个数有关。

例如：待查询索引有5个主分片，则一次查询请求对应5个QPS。

指标异常原因

监控期间，该指标可能存在没数据，常见原因如下：
  • 集群压力大，影响集群监控数据的正常采集。
  • 监控数据未成功推送。
注意 索引查询QPS流量突增，可能就是该索引引起了集群CPU使用率、HeapMemory使用率或load_1m负载过高，影响整个集群服务，可以针对该索引进行优化。

节点CPU使用率（%）

指标含义

节点CPU使用率指标展示了集群中各节点的CPU使用率百分比。当CPU使用率较高或接近100%时，会影响集群服务。

指标异常原因

监控期间，当指标数值突增或波动较大时，服务异常，常见原因如下：
指标异常原因 说明
QPS 查询QPS或写入QPS流量突增或波动较大。
存在个别慢查询或慢写入请求 此情况下，查询和写入QPS流量波动较小或不明显，可在阿里云Elasticsearch控制台中的日志查询页面，单击searching慢日志查看分析。
集群中存在大量索引或总分片数量非常多 由于Elasticsearch会监控集群中的索引并写入日志，因此当总索引或总分片数量过多时，容易引起CPU或HeapMemory使用率过高，或load_1m负载过高。
在集群上执行过Merge操作 Merge操作会消耗CPU资源，对应节点的Segment Count会突降，可在Kibana控制台中节点的Overview页面查看。
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。
执行过定时任务 数据备份或其他自定义任务。

节点HeapMemory使用率（%）

指标含义

节点HeapMemory使用率指标展示了集群中各节点的HeapMemory使用率百分比。当HeapMemory使用率较高或存在较大的内存对象时，会影响集群服务，也会自动触发gc操作。

指标异常原因

监控期间，当指标数值突增或波动较大时，服务异常，常见原因如下：
指标异常原因 说明
QPS 查询QPS或写入QPS流量突增或波动较大。
存在个别慢查询或慢写入请求 此情况下，查询和写入QPS流量波动较小或不明显，可在阿里云Elasticsearch控制台中的日志查询页面，单击searching慢日志查看分析。
存在大量慢查询或慢写入请求 此情况下，查询和写入QPS流量波动较大或很明显，可在阿里云Elasticsearch控制台中的日志查询页面，单击indexing慢日志查看分析。
集群中存在大量索引或总分片数量非常多 由于Elasticsearch会监控集群中的索引并写入日志，因此当总索引或总分片数量过多时，容易引起CPU或HeapMemory使用率过高，或load_1m负载过高。
在集群上执行过Merge操作 Merge操作会消耗CPU资源，对应节点的Segment Count会突降，可在Kibana控制台中节点的Overview页面查看。
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。
执行过定时任务 数据备份或其他自定义任务。

节点load_1m

指标含义

节点load_1m指标展示了集群中各节点在1分钟内的负载情况，表示各节点的系统繁忙程度。该指标的正常数值，应该低于对应节点规格的CPU核数。以单核的Elasticsearch节点为例，指标各数值的含义如下。
节点load_1m 说明
<1 没有等待的进程。
＝1 系统无额外的资源运行更多的进程。
＞1 进程拥堵，等待资源。

指标异常原因

监控期间，当指标数值超过节点规格的CPU核数时，服务异常，常见原因如下：
  • 节点的CPU或HeapMemory使用率过高，甚至达到100%。
  • 查询QPS或写入QPS流量突增或上涨较大。
  • 存在耗时较大的慢查询。

    可在阿里云Elasticsearch控制台中的日志查询页面，打开对应日志查看分析。

节点磁盘使用率（%）

指标含义

节点磁盘使用率指标展示了集群中各节点的磁盘使用率百分比。建议将磁盘使用率报警阈值控制在75%以下，不要超过85%。否则默认数据节点的磁盘使用率可能会出现以下情况，影响集群服务。
节点磁盘使用率 说明
＞85% 新的shard无法分配。
＞90% 集群会尝试将节点中的shard，迁移到其他磁盘使用率较低的数据节点中。
＞95% Elasticsearch会为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。
注意 强烈建议您配置该监控指标，以便在发生报警时，及时扩容磁盘和节点或清理索引数据等，避免影响集群服务。

old区使用

指标含义

old区使用指标展示了集群中各节点堆内存old区的使用大小。当old区占用较高或存在较大的内存对象，会影响集群服务，会自动触发gc操作，大对象回收可能会出现gc耗时较长或full gc。

指标异常原因

监控期间，当指标数值突增或波动较大时，服务异常，常见原因如下：
指标异常原因 说明
QPS 查询QPS或写入QPS流量突增或波动较大。
有agg查询或者有脚本查询 聚合查询场景，需要耗用大量的计算资源做数据聚合，尤其是内存，在使用时请注意。
term查询数值字段 大批量的数值型byte、short、integer、long字段做term查询时，在构造docid集合的bitset很费时，会影响查询速度。如果该数值字段没有range和agg聚合需求，建议改为keyword类型字段。
模糊匹配 通配符和正则表达式、模糊查询，需要遍历倒排索引中的词条列表来找到所有的匹配词条，进而逐个词条地收集对应的文档ID。尤其在未压测的前提下，大批量的查询，会耗用大量的计算资源，建议使用前结合场景压测，选择合适的量级。
存在个别慢查询或慢写入请求 此情况下，查询和写入QPS流量波动较小或不明显，可在阿里云Elasticsearch控制台中的查询日志页面，单击searching慢日志查看分析。
存在大量慢查询或慢写入请求 此情况下，查询和写入QPS流量波动较小或不明显，可在阿里云Elasticsearch控制台中的查询日志页面，单击indexing慢日志查看分析。
集群中存在大量索引或总分片数量非常多 由于Elasticsearch会监控集群中的索引并写入日志，因此当总索引或总分片数量过多时，容易引起CPU或HeapMemory使用率过高，或load_1m负载过高。
在集群上执行过Merge操作 Merge操作会消耗CPU资源，对应节点的Segment Count会突降，可在Kibana控制台中节点的Overview页面查看。
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。
执行过定时任务 数据备份或其他自定义任务。

old gc频次

指标含义

old gc频次指标表示集群中各个节点old区gc回收数量，当old区占用较高或存在较大的内存对象，会影响集群服务，会自动触发gc操作，大对象回收可能会出现gc耗时较长或full gc。

指标异常原因

请参见old区使用的指标异常原因。

old gc耗时

指标含义

old gc耗时指标表示集群中各个节点old区gc回收平均耗时，当old区占用较高或存在较大的内存对象，会自动触发gc操作，大对象回收可能会出现gc耗时较长或full gc。

指标异常原因

请参见old区使用的指标异常原因。

fielddata内存使用

指标含义

fielddata内存使用指标表示集群中fielddata内存占用情况，监控曲线越高，说明堆内存存在大量的fielddata数据缓存，过大的fielddata内存占用会触发fielddata内存熔断，影响集群稳定性。

指标异常原因

监控期间，当指标占用大量的堆内存时，可能会出现服务异常，常见原因如下：
  • 查询中存在大量对字符串(text)字段做排序或者聚合的操作，该类查询fielddata默认不会被回收，建议使用数值型字段类型。
  • 查询QPS或写入QPS流量突增或波动较大，fielddata数据频繁的进行缓存。
  • 集群中存在大量索引或总分片数量非常多。由于Elasticsearch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使用率过高，或load_1m负载过高。

FullGc次数（个）

注意 当系统出现频繁full gc时，会影响集群服务。

指标含义

FullGc次数指标展示了集群中1分钟内的gc总次数。

指标异常原因

监控期间，当指标数值不为0时，服务异常，常见原因如下：
  • HeapMemory使用率较高。
  • 存在较大的内存对象。

Exception次数（个）

指标含义

Exception次数指标展示了集群的主日志中，一分钟内出现的警告级别日志的总个数。

指标异常原因

监控期间，当指标数值不为0时，服务异常，常见原因如下：
  • 查询请求可能存在异常。
  • 写入请求可能存在异常。
  • Elasticsearch执行任务时，遇到异常。
  • 执行过gc操作。

异常处理建议

可在阿里云Elasticsearch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。
说明 如果主日志中有gc记录，也会在Exception次数监控指标中统计展示。

快照状态

指标含义

快照状态指标展示了Elasticsearch控制台中，自动备份功能的快照状态。当指标数值为-1或0时，表示服务正常。指标各数值的含义如下。
快照状态 说明
0 有快照。
-1 没有快照。
1 正在进行快照。
2 快照任务失败。

指标异常原因

指标数值为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%。
  • 集群不健康。