密码机监控与报警

功能概述

HSM监控提供实例与集群两个维度的监控服务，分别支持基础监控（覆盖CPU使用率、内存使用率、TCP连接数、HSM健康度以及集群同步状态）和TPS监控等核心指标。对HSM资源使用与运行状态进行全面洞察，为主动风险预警和容量规划提供数据支持。其核心价值在于：

• 风险预警：通过分析指标趋势，可及时发现潜在的运行风险。集成的报警机制能够迅速将故障通知相关人员，以保障业务的连续性和稳定性。

• 故障定位：在发生异常时，详尽的监控数据有助于快速定位问题根源，缩短故障排查时间。

查看实例或集群监控指标

设置监控指标报警

处理报警通知

常见的报警处理方法如下：

• HSM健康度为0（密码机运行异常）

  • 常见原因如下：

    • 硬件故障： 内部物理组件（如处理器、内存、加密卡等）损坏或失灵。

      说明

      该场景下系统将自动隔离故障实例，以保障整体服务的连续性和安全。

    • 软件/固件缺陷： 设备固件、驱动程序或管理软件存在错误（Bug），导致功能异常或无响应。

    • 网络连接问题： 与应用服务器或网络设备间的连接中断、延迟过高或不稳定。

    • 供电问题： 电源中断、电压不稳或供电设备故障，导致设备无法启动或意外关闭。

    • 运行环境异常： 设备运行温度过高、湿度不当或通风散热不畅，影响其性能与稳定性。

  • 解决方案：

    1. 初步诊断：立即在加密服务控制台查看该实例的状态是否为“运行中”。同时，检查阿里云状态页或站内信，确认当前地域是否存在服务故障或计划内维护。

    2. 网络排查：检查应用服务器与密码机实例所属VPC的安全组和网络ACL规则，确保服务端口的网络访问是通畅的。

• CPU/内存使用率过高

  • 关联分析：在监控页面，对比出问题时间段的CPU使用率和TPS监控曲线。

    • 如果CPU与TPS同步升高，通常是业务流量高峰导致，属于正常现象。

    • 如果TPS不高但CPU高，可能是应用正在执行大量复杂的密钥生成或非对称加解密操作。

  • 分类处理：

    • 短期应对：若是业务流量突增导致，评估是否需要临时增加集群节点以分担压力。

    • 长期优化：若是应用调用逻辑问题，需进行代码优化。若为长期性容量不足，请及时进行扩容。

集群同步状态异常：若为人工同步类型的中国内地密码机集群，可先在实例列表页面，单击同步集群，尝试手动同步。

配额与限制

• 数据保留期：监控数据最长可查看和存储30天。

• 地域与功能限制：

  • TPS监控：仅适用于中国内地区域的密码机实例。

  • 集群TPS监控：仅当集群内所有实例均为中国内地区域的密码机时可用。

• 报警配置：TPS监控指标不支持“一键报警”，必须通过云监控设置自定义报警规则。