10.5.1 网站还活着吗——应用监控：健康检查端点与指标收集

每 5 分钟问一次"你还好吗"，比用户告诉你"挂了"好得多。

健康检查原理

健康检查端点设计

基础版本

// NestJS health.controller.ts
@Controller('health')
export class HealthController {
  @Get()
  check() {
    return { status: 'ok' };
  }
}

完整版本

@Controller('health')
export class HealthController {
  constructor(
    private prisma: PrismaService,
    private redis: RedisService,
  ) {}

  @Get()
  async check() {
    const checks = {
      status: 'ok',
      timestamp: new Date().toISOString(),
      services: {},
    };

    // 检查数据库
    try {
      await this.prisma.$queryRaw`SELECT 1`;
      checks.services['database'] = 'ok';
    } catch {
      checks.services['database'] = 'error';
      checks.status = 'degraded';
    }

    // 检查 Redis
    try {
      await this.redis.ping();
      checks.services['redis'] = 'ok';
    } catch {
      checks.services['redis'] = 'error';
      checks.status = 'degraded';
    }

    return checks;
  }

  @Get('live')
  liveness() {
    return { status: 'ok' };
  }

  @Get('ready')
  async readiness() {
    // 检查所有依赖是否就绪
    await this.prisma.$queryRaw`SELECT 1`;
    return { status: 'ok' };
  }
}

健康检查类型

类型	端点	用途
Liveness	/health/live	进程是否存活
Readiness	/health/ready	是否可以接收流量
Startup	/health/startup	启动是否完成

外部监控服务

UptimeRobot（推荐）

免费版支持 50 个监控：

1. 注册 UptimeRobot
2. 添加新监控
3. 配置：
   • 监控类型：HTTP(s)
   • URL：https://api.example.com/health
   • 间隔：5 分钟
   • 告警联系人：邮箱/Webhook

Better Stack（日志+监控）

// 集成 Better Stack SDK
import { Logtail } from '@logtail/node';
const logtail = new Logtail('your-source-token');

logtail.info('Application started');

1Panel 服务器监控

1Panel 内置服务器监控：

指标	说明
CPU 使用率	整体/各核心
内存使用	已用/可用/缓存
磁盘使用	各分区使用率
网络流量	入站/出站

路径：面板首页 → 监控

Docker 容器监控

docker stats

# 实时查看容器资源使用
docker stats

# 输出示例
CONTAINER ID   NAME     CPU %   MEM USAGE / LIMIT   NET I/O        BLOCK I/O
abc123def456   api      0.50%   256MiB / 1GiB       1.2MB / 500KB  0B / 0B

监控容器健康

# docker-compose.yml
services:
  api:
    image: my-api
    healthcheck:
      test: ["CMD", "curl", "-f", "http://localhost:3001/health"]
      interval: 30s
      timeout: 10s
      retries: 3
      start_period: 40s

关键指标

服务器指标

指标	警戒值	说明
CPU 使用率	> 80%	考虑扩容
内存使用率	> 85%	可能 OOM
磁盘使用率	> 90%	清理日志
网络带宽	> 80%	升级带宽

应用指标

指标	警戒值	说明
响应时间	> 2s	性能问题
错误率	> 1%	代码问题
QPS	接近上限	考虑扩容

自定义指标收集

简单计数器

// 统计 API 调用次数
const apiMetrics = {
  totalRequests: 0,
  errorRequests: 0,
  
  record(success: boolean) {
    this.totalRequests++;
    if (!success) this.errorRequests++;
  },
  
  getStats() {
    return {
      total: this.totalRequests,
      errors: this.errorRequests,
      errorRate: this.errorRequests / this.totalRequests,
    };
  }
};

@Get('metrics')
getMetrics() {
  return apiMetrics.getStats();
}

监控最佳实践

1. 多层次监控：服务器 + 应用 + 业务
2. 合理间隔：外部监控 5 分钟，内部可更频繁
3. 避免误报：设置重试次数，连续失败才告警
4. 监控监控：确保监控服务本身可用
5. 文档记录：记录各指标的含义和阈值

常见问题

问题	原因	解决方案
误报太多	阈值设置不合理	调整阈值，增加重试
监控延迟	检查间隔太长	缩短间隔（但注意成本）
无法访问	网络/防火墙问题	检查安全组规则