wangcong/story
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
Files
3786db0de83262cdd8e60df8a09aae4c2a48b5d7
story/docs/server-health-monitoring.md
T

7.1 KiB
Raw Blame History

单机云端健康监测与告警手册

1. 目标与边界

deploy/server/health-monitor.sh为单机阿里云演示环境提供五分钟一次的轻量健康检查。它用于发现“公网入口不可用、宿主机出现未授权公网监听端口、身份签发地址漂移、容器退出、备份过期或损坏、证书接近到期、定时任务停止、磁盘空间不足”等直接影响可用性或暴露面的事件。

该脚本不替代Prometheus、Grafana、云监控或真实值班系统。默认只写结构化状态文件和systemd日志；配置外部接收器后，状态发生变化时才发送一次HMAC签名Webhook，避免每五分钟重复通知。

2. 检查项

检查 正常条件 失败状态
公网地址 PUBLIC_ORIGIN为HTTPS invalid_https_origin
HTTPS入口 /api/v1/version在10秒内返回成功 request_failed
公网监听端口 宿主机非回环TCP监听端口只能属于22,80,443；回环地址上的数据库或监控端口不计入公网暴露 unexpected_ports=...、probe_unavailable或invalid_probe_result
OIDC Discovery中的issuer与公网地址完全一致 issuer_mismatch或request_failed
容器 PostgreSQL、Redis、MinIO、Keycloak、API、Callbacks、Worker、Web、Gateway和两个模拟服务均为运行态；有健康检查的容器必须为healthy missing、容器状态或健康状态
备份 最新加密归档不超过36小时且外层SHA-256有效 missing、age_seconds=...或checksum_failed
备份任务 最近一次platform-backup.service结果成功且退出码为0 result=.../exit=...
定时任务 备份和证书续期timer均为enabled/active 当前启用/活动状态
证书 本地活动证书剩余时间不少于36小时 missing或remaining_seconds=...
磁盘 低于80%为健康，80%—89%为warning，90%及以上为critical used_percent=...

状态文件写入/var/lib/data-terminal-cloud-monitor/status.json，格式为platform-server-health-v1。每个检查只有稳定名称、状态和脱敏值，不包含数据库密码、Webhook地址、证书正文、业务数据或令牌。配置平台健康上报后，同一状态会每五分钟通过独立HMAC密钥发送到Callbacks并在运营联调诊断页面展示，详细协议见云端主机健康状态接入开发说明。

3. 状态模型

全部检查健康               → healthy，退出0
没有critical但存在warning  → warning，退出0
任一检查critical           → critical，退出1

systemd oneshot任务成功结束后显示inactive (dead)属于正常行为，应使用以下字段判断：

systemctl show platform-health-monitor.service -p Result -p ExecMainStatus -p ActiveState

期望结果为Result=success、ExecMainStatus=0。状态为critical时服务会显示失败，timer仍会在下一个周期继续执行。

4. 安装与运行

cd /opt/data-terminal-cloud/current
chmod 0755 deploy/server/health-monitor.sh deploy/server/install-monitoring.sh
deploy/server/install-monitoring.sh
systemctl start platform-health-monitor.service
systemctl list-timers platform-health-monitor.timer --no-pager
python3 -m json.tool /var/lib/data-terminal-cloud-monitor/status.json

定时任务在开机两分钟后首次执行，之后每五分钟执行并附加最多30秒随机延迟。Persistent=true确保错过计划时间后补跑。

5. 可选Webhook通知

安装脚本创建：

  • /etc/data-terminal-cloud/monitor.env：0600 root:root；
  • /etc/data-terminal-cloud/monitor-webhook-secret：独立随机HMAC密钥，0600 root:root。

编辑配置：

ALERT_WEBHOOK_URL=https://receiver.example.com/platform-health
ALERT_WEBHOOK_SECRET_FILE=/etc/data-terminal-cloud/monitor-webhook-secret

平台内部状态上报与外部告警分开配置；内部上报每个周期发送，外部告警仍只在综合状态变化时发送：

PLATFORM_HEALTH_REPORT_URL=https://121.41.46.238/callbacks/v1/platform-health
PLATFORM_HEALTH_REPORT_SECRET_FILE=/etc/data-terminal-cloud/platform-health-callback-secret

只有总体状态发生变化时才发送JSON状态文件。请求包含：

  • Content-Type: application/json；
  • X-Platform-Timestamp：Unix秒；
  • X-Platform-Signature: sha256=<hex>；
  • 签名正文：HMAC-SHA256(secret, timestamp + "." + raw_body)。

接收端应限制时间偏差、按时间戳和签名去重并使用恒定时间比较。Webhook地址和密钥不会进入状态文件或日志。正式配置前应先在接收端完成验签联通测试。

6. 参数

环境变量 默认值 说明
BACKUP_MAX_AGE_SECONDS 129600 最新备份最大年龄，36小时
CERTIFICATE_MIN_SECONDS 129600 证书最小剩余时间，36小时
DISK_WARNING_PERCENT 80 磁盘警告阈值
DISK_CRITICAL_PERCENT 90 磁盘严重阈值
EXPECTED_PUBLIC_TCP_PORTS 22,80,443 宿主机允许绑定非回环地址的TCP端口，逗号分隔
MONITOR_STATE_DIR /var/lib/data-terminal-cloud-monitor 原子状态文件目录
MONITOR_CONFIG_FILE /etc/data-terminal-cloud/monitor.env 可选通知配置
TLS_CERTIFICATE_FILE 根据PUBLIC_ORIGIN主机名推导 当前活动证书文件

阈值只能使用非负整数，磁盘警告阈值必须小于严重阈值。端口必须位于1—65535；修改允许端口前必须同步复核阿里云安全组，不能用扩大允许列表掩盖错误的数据库或缓存端口映射。普通调整无需重建镜像，但应记录变更理由并重新执行一次手工检查。

7. 验收与排障

正常路径：

/opt/data-terminal-cloud/current/deploy/server/health-monitor.sh

不改变线上状态的备份过期失败分支：

test_dir=$(mktemp -d /var/tmp/platform-monitor-test-XXXXXX)
MONITOR_STATE_DIR="$test_dir" MONITOR_CONFIG_FILE=/dev/null \
  BACKUP_MAX_AGE_SECONDS=0 \
  /opt/data-terminal-cloud/current/deploy/server/health-monitor.sh

期望退出1，状态为critical，唯一人工注入的严重检查为backup_freshness。测试目录验证后应精确删除。

监听策略解析器的正常、回环忽略和异常端口分支可独立验证：

python3 -B deploy/server/test_public_listener_policy.py

常用排障命令：

journalctl -u platform-health-monitor.service -n 100 --no-pager
systemctl list-timers platform-health-monitor.timer platform-backup.timer certbot-ip-renew.timer --no-pager
docker compose -f compose.yaml -f deploy/server/compose.override.yaml --env-file deploy/server/.env ps -a

8. 下一步生产化

  1. 配置真实告警网关、主值班组和升级组，并完成HMAC验签联通测试。
  2. 将状态接入云监控或Prometheus长期存储，建立可用率和告警送达趋势。
  3. 将加密备份复制到不同故障域，并对“异地复制最后成功时间”增加检查。
  4. 使用外部OIDC、托管数据库/Redis/对象存储后，把资源级高可用、PITR和容量指标纳入同一状态模型。
Reference in New Issue View Git Blame Copy Permalink