金融行业信息技术部运维工程师系统日常维护手册（执行版）.docxVIP

金融行业信息技术部运维工程师系统日常维护手册（执行版）

第1章系统监控与告警

1.1系统资源监控

系统资源监控是运维工作的基石。CPU、内存、磁盘I/O、网络带宽等关键指标必须被持续追踪。为何要如此细致？因为在金融行业，资源利用率超过85%往往意味着性能瓶颈，而低于40%则可能暗示配置冗余。理想状态下，核心交易系统的CPU使用率应稳定在50%-70%，内存利用率维持在60%-80%。我们采用Prometheus+Grafana的监控架构，通过Agent收集每5分钟的数据点，存储周期设为90天。这足以支撑对异常波动的深度分析，同时也能满足监管机构对日志留存的要求。

资源监控必须分层部署。应用服务器层需关注JVM堆内外内存、线程池状态；数据库层要监控连接数、慢查询占比；中间件如Kafka需关注队列积压、消息延迟。某次实测显示，当Oracle数据库SGA使用率突破90%时，交易响应时间会线性增加。这就是为何我们为关键业务表配置了实时空间使用率告警阈值——设置为85%时发出警告，92%时触发升级通知。

1.2业务应用监控

业务应用监控的核心是业务指标。TPS（每秒事务请求数）的稳定性比单纯看资源指标更有意义。例如，某核心交易系统在资源使用率仅65%时突然出现TPS断崖式下跌，最终定位是缓存雪崩导致。这就印证了业务指标是资源指标的指南针这一运维铁律。

关键业务指标需要多维度采集。