云监控

实例CPU使用率（%）

该指标反映了Hologres的资源是否存在瓶颈，也反映了您的资源使用是否充分。推荐的告警如下：

• 告警规则：

  • 紧急（Critical）：“实例CPU使用率连续60个周期（1周期=1分钟），监控值>=99%”，有效监测集群的资源水位，长期打满需要扩容。

  • 警告（Warn）：“实例CPU使用率连续10个周期（1周期=1分钟），监控值>=99%”，可以及时观测是否因为业务变动导致CPU打满。

• 不建议出现一次实例CPU使用率达到100%就告警。短时间内的CPU使用率达到100%并不表示系统过载或异常，而是代表了高效的资源利用。

• 不建议CPU的告警水位设置过低。因为没有任务运行时，也可能有系统组件在运行，会占用一定资源。

Worker节点CPU使用率（%）

该指标反映了Hologres中每个Worker资源是否存在瓶颈，也反映了资源使用是否充分。推荐告警如下：

• 告警规则

  • 紧急（Critical）：“Worker节点CPU使用率连续60个周期（1周期=1分钟），监控值>=99%”，有效监测每个Worker的资源水位，长期打满需要扩容。

  • 警告（Warn）：“Worker节点CPU使用率连续10个周期（1周期=1分钟），监控值>=99%”，可以及时观测是否因为业务变动导致CPU打满。

• 不推荐出现一次Worker节点CPU使用率达到100%就告警。短时间内的CPU使用率达到100%并不表示系统过载或异常，而是代表了高效的资源利用。

• 不推荐CPU的告警水位设置过低，因为没有任务运行时，也可能有系统组件在运行，会占用一定资源。

实例内存使用率（%）

该指标反映了实例的内存使用情况。推荐的告警如下：

• 告警规则

  • 紧急（Critical）：“实例内存使用率连续60个周期（1周期=1分钟），监控值>=99%”，有效监测集群的内存水位，长期打满建议扩容。

  • 警告（Warn）：“实例内存使用率连续10个周期（1周期=1分钟），监控值>=99%”，可以及时观测是否因为业务变动导致内存打满。

• 不推荐内存指标的告警水位设置过低。因为内存不仅用于Query运行，也用于Meta、Cache等部分，在实例任务空闲时也有一定的内存使用。

Worker节点内存使用率（%）

该指标反映了Worker的内存使用情况。推荐的告警如下：

• 告警规则

  • 紧急（Critical）：“Worker节点内存使用率连续60个周期（1周期=1分钟），监控值>=99%”，有效监测集群的内存水位，长期打满建议扩容。

  • 警告（Warn）：“Worker节点内存使用率连续10个周期（1周期=1分钟），监控值>=99%”，可以及时观测是否因为业务变动导致内存打满。

• 不推荐内存指标的告警水位设置过低，因为内存不仅用于Query运行，也用于Meta、Cache等部分，在实例任务空闲时也有一定的内存使用。

连接数使用率最高的FE的连接数使用率（%）

该指标反映了当前每个FE的连接数使用率最大值。推荐的告警规则如下：

警告（Warn）：“连接数使用率最高的FE的连接数使用率连续5个周期（1周期=1分钟），监控值>=95%”，可以有效监测集群的连接数使用情况，及时清理空闲连接。

wal sender使用率最高的FE的wal sender使用率（%）

该指标反映了当前每个FE的Walsender使用率最大值。推荐的告警规则如下：

警告（Warn）：“wal sender使用率最高的FE的wal sender使用率连续5个周期（1周期=1分钟），监控值>=95%”，可以有效监测集群的Walsender使用情况。

本实例正在运行中Query最长的时长（milliseconds）

该指标可以有效监测实例中当前时刻是否有长时间运行的Query。推荐的告警规则如下：

警告（Warn）：“本实例正在运行中Query最长的时长连续10个周期（1周期=1分钟），监控值>=3600000milliseconds”。

正在运行的 Serverless Computing 的查询中，最长的时长（milliseconds）

该指标可以有效监测Serverless集群中的任务运行情况，如果运行时间过长，可以及时取消相关任务。推荐的告警规则如下：

警告（Warn）：“正在运行的Serverless Computing的查询中，最长的时长连续10个周期（1周期=1分钟），监控值>=3600000milliseconds”。

失败Query QPS(countS)

该指标反映了实例中运行Query的失败情况，可以针对失败Query设置告警，方便及时了解实例中Query运行情况。推荐的告警规则如下：

警告（Warn）：“失败Query QPS中，连续10个周期（1周期=1分钟），监控值>=10countS”。如果实例中失败Query较多，建议根据慢Query日志查看详情失败详情，并针对性治理。

FE replay延迟（milliseconds）

该指标反映了每个FE的replay时间，如果时间过长，说明replay慢，可能原因为FE卡住，导致Query卡住，需要及时处理。推荐的告警如下：

• 告警规则

  警告（Warn）：“FE replay延迟连续10个周期（1周期=1分钟），监控值>=300000milliseconds”，出现告警时，前往HoloWeb活跃Query查看是否有长时间运行的Query，并尝试取消Query。

• 不推荐FE replay延迟设置的时间过短。因为实例中有元数据的修改就有FE的replay，通常情况下，FE的replay时间在秒级都属于正常现象。

主从同步延迟（milliseconds）

该指标仅在从实例中展示，反映了主从同步的延迟情况，推荐的告警规则如下：

警告（Warn）：“主从同步延迟连续10个周期（1周期=1分钟），监控值>=600000milliseconds”。

每个DB统计信息缺失的表个数（countS）

该指标反映了Auto Analyze的质量，如果长时间存在缺失统计信息的表，可以对表手动执行Analyze命令，详情请参见ANALYZE和AUTO ANALYZE。推荐的告警如下：

• 告警规则

  警告（Warn）：“每个DB统计信息缺失的表个数连续60个周期（1周期=1分钟），监控值>=10countS”。

• 不建议监控值设置过低。因为实例中表数量太多时，也会导致Auto Analyze执行速度降低。