# 第33天：CloudWatch——监控一切

## 今天你将学到什么

今天学习 CloudWatch——AWS 的监控核心服务。它收集指标、展示仪表板、设置告警、收集日志。是你了解系统运行状态的"眼睛"。

---

## 为什么需要监控

### 没有监控的世界

- 用户打电话来："你们网站打不开了！"——你才知道出了问题
- 数据库磁盘满了，应用崩溃——事后才发现
- 月底账单暴涨——不知道是哪个服务在烧钱
- 应用变慢了——不知道是哪个环节的问题

### 有监控的世界

- CPU 使用率超过 80%——自动告警，还没出问题就提前处理
- 磁盘使用率达到 70%——自动扩容或清理
- API 错误率突然上升——立刻通知开发团队
- 响应时间变慢——精确定位到是数据库查询慢了

**类比**：CloudWatch 就像汽车的仪表盘。没有仪表盘你也能开车，但你不知道油还剩多少、发动机温度是否正常、时速多少。有了仪表盘，一切尽在掌握。

---

## CloudWatch 的四大功能

### 1. 指标（Metrics）——数字化的运行状态

指标是一个随时间变化的数值。AWS 服务自动发送指标到 CloudWatch。

**常见指标举例**：

| 服务 | 指标 | 含义 |
|------|------|------|
| EC2 | CPUUtilization | CPU 使用率 |
| EC2 | NetworkIn/Out | 网络流入/流出字节数 |
| RDS | DatabaseConnections | 数据库连接数 |
| RDS | FreeStorageSpace | 剩余磁盘空间 |
| ALB | RequestCount | 请求总数 |
| ALB | TargetResponseTime | 后端响应时间 |
| Lambda | Invocations | 调用次数 |
| Lambda | Errors | 错误次数 |
| Lambda | Duration | 执行时间 |
| SQS | ApproximateNumberOfMessages | 队列中的消息数 |

**自定义指标**：你也可以发送自己的业务指标，比如"每分钟注册用户数"、"订单金额"等。

### 2. 告警（Alarms）——自动预警

当指标超过阈值时，自动触发动作。

**告警的三种状态**：
- OK：一切正常
- ALARM：超过阈值，触发告警
- INSUFFICIENT_DATA：数据不足，无法判断

**告警可以触发的动作**：
- 发送通知（SNS → 邮件/短信/Slack）
- 自动扩展（Auto Scaling 加机器）
- 执行 Lambda 函数（自动修复）
- 停止/终止 EC2 实例

**常见告警设置**：

| 告警 | 条件 | 动作 |
|------|------|------|
| CPU 过高 | CPU > 80% 持续 5 分钟 | 通知 + Auto Scaling 扩展 |
| 磁盘快满 | 剩余空间 < 20% | 通知运维团队 |
| 错误率上升 | 5xx 错误 > 1% 持续 3 分钟 | 通知开发团队 |
| 响应变慢 | P99 延迟 > 2 秒 | 通知 + 自动排查 |
| 账单异常 | 预估月费 > 预算 | 通知管理层 |

### 3. 日志（Logs）——详细的运行记录

CloudWatch Logs 集中收集和存储所有日志。

**日志来源**：
- EC2 实例的应用日志（需要安装 CloudWatch Agent）
- Lambda 函数的输出（自动发送）
- ECS 容器的日志（配置日志驱动）
- API Gateway 的访问日志
- VPC Flow Logs

**日志的组织结构**：
```
日志组（Log Group）：/app/order-service
  └── 日志流（Log Stream）：instance-1/2024-01-15
        └── 日志事件：[2024-01-15 10:30:15] ERROR: Database connection timeout
```

**Logs Insights**：用类 SQL 语法查询日志。

比如查找最近 1 小时内所有错误：
```
fields @timestamp, @message
| filter @message like /ERROR/
| sort @timestamp desc
| limit 50
```

### 4. 仪表板（Dashboards）——可视化大屏

把多个指标和日志组合成一个可视化页面。

**典型的运维仪表板包含**：
- 请求量趋势图
- 错误率曲线
- 响应时间分布
- CPU/内存使用率
- 数据库连接数
- 队列积压情况

一眼就能看出系统整体健康状况。

---

## 实际监控方案

### 一个 Web 应用的监控体系

```
第一层：基础设施监控
├── EC2：CPU、内存、磁盘、网络
├── RDS：连接数、查询延迟、磁盘空间
├── ElastiCache：内存使用、命中率
└── ALB：请求量、错误率、延迟

第二层：应用监控
├── API 响应时间（P50、P95、P99）
├── API 错误率（4xx、5xx）
├── 业务错误日志
└── 依赖服务调用延迟

第三层：业务监控
├── 每分钟注册用户数
├── 每分钟订单数
├── 支付成功率
└── 用户活跃度
```

### 告警分级

| 级别 | 条件 | 响应 |
|------|------|------|
| P1 紧急 | 服务完全不可用 | 立刻通知所有人，5 分钟内响应 |
| P2 严重 | 部分功能受影响 | 通知值班人员，30 分钟内响应 |
| P3 警告 | 性能下降但可用 | 通知开发团队，当天处理 |
| P4 信息 | 需要关注但不紧急 | 记录，下次迭代处理 |

---

## CloudWatch Agent

默认情况下，CloudWatch 只能看到 EC2 的 CPU、网络、磁盘 IO 等外部指标。要看内存使用率、磁盘空间等内部指标，需要安装 CloudWatch Agent。

**CloudWatch Agent 能收集**：
- 内存使用率（默认看不到！）
- 磁盘空间使用率
- 应用日志文件
- 自定义指标

---

## 成本注意事项

| 功能 | 免费额度 | 超出后费用 |
|------|----------|-----------|
| 基本指标 | AWS 服务自带指标免费 | - |
| 自定义指标 | 前 10 个免费 | $0.30/指标/月 |
| 告警 | 前 10 个免费 | $0.10/告警/月 |
| 日志存储 | 5GB 免费 | $0.50/GB/月 |
| 仪表板 | 前 3 个免费 | $3/仪表板/月 |

**建议**：学习阶段用免费额度完全够用。生产环境注意日志量，设置日志保留期限（比如保留 30 天）。

---

## 今天的小测验

1. CloudWatch 的四大功能分别是什么？
2. 什么是 CloudWatch 告警？它可以触发哪些动作？
3. 为什么需要安装 CloudWatch Agent？它能收集什么默认看不到的指标？
4. 如何设计一个合理的告警分级体系？

---

## 延伸阅读

- [CloudWatch 用户指南](https://docs.aws.amazon.com/AmazonCloudWatch/latest/monitoring/)
- [CloudWatch Logs Insights 语法](https://docs.aws.amazon.com/AmazonCloudWatch/latest/logs/CWL_QuerySyntax.html)
- [CloudWatch Agent 配置](https://docs.aws.amazon.com/AmazonCloudWatch/latest/monitoring/Install-CloudWatch-Agent.html)

---

## 明天预告

明天学习成本管理——如何控制你的 AWS 账单。了解 AWS 的定价模型、省钱技巧，以及如何设置预算告警避免意外花费。