CloudWatch(CloudWatch)服务指南:入门 · 配置 · 排错 · 代运维 · 部署
快速信息
- 服务类别:监控与运维
- AWS 官方文档
它是什么
Amazon CloudWatch 是 AWS 上的可观测性服务,处在「资源产生遥测数据」和「人/自动化系统做决策」之间的位置。几乎每个 AWS 服务都会把自身的运行指标发布到 CloudWatch,例如 EC2 的 CPU 使用率、S3 的请求错误数、RDS 的连接数、Lambda 的调用与错误次数。CloudWatch 负责接收、存储这些指标,并提供查询、告警、可视化与日志检索能力。它不是日志收集工具本身,也不是 APM 产品,而是把指标、日志、告警、看板这几类信号集中到一个平面上的基础层。
与相邻服务的边界需要区分清楚:CloudTrail 记录的是「谁在什么时候调用了哪个 API」,属于审计;CloudWatch 记录的是「系统运行得好不好」,属于监控。EventBridge 负责事件路由与规则匹配(CloudWatch Events 的能力已并入 EventBridge),CloudWatch 自身专注于指标与告警的评估。X-Ray 与 CloudWatch Application Signals 负责分布式追踪与服务级 SLO 视角,而 CloudWatch 提供底层的指标与日志数据源。日志的实际采集通常由 CloudWatch agent、FireLens 或各服务自身的集成完成,CloudWatch Logs 只负责接收、存储与查询。
在架构中的典型定位是:所有工作负载默认向 CloudWatch 上报指标与日志,运维侧通过告警联动 SNS、Auto Scaling、Lambda 或 EventBridge 完成自动响应,通过 Dashboard 提供统一的运行视图。它是「默认打开就有数据」的服务,理解它的关键在于理解指标模型与计费模型。
核心概念
- Namespace 与 Metric:命名空间是指标的容器(如
AWS/EC2),指标是带时间戳的数值序列,是 CloudWatch 的最小数据单位。 - Dimension:指标的维度键值对(如
InstanceId、AutoScalingGroupName),用于唯一标识一个指标流,维度组合越多基数越高,也越影响成本。 - Alarm:对指标设定阈值与评估周期后得到的状态机,状态为
OK、ALARM、INSUFFICIENT_DATA,可触发 SNS 通知或直接执行动作。 - Log group 与 Log stream:日志组是同一来源日志的集合,日志流是组内按来源划分的追加序列,保留策略和访问控制作用在日志组上。
- Metric filter 与 Logs Insights:前者把日志中的模式匹配计数转成自定义指标;后者是用查询语言对日志组做即席检索与聚合。
典型场景
- 为 EC2/ECS/Lambda 等计算资源建立 CPU、延迟、错误率阈值告警:这些指标由服务侧自动上报,无需埋点即可用,是最低成本的监控起点。
- 集中收集应用日志并按关键字或错误码告警:日志与指标在同一平面,事件发生时能在同一控制台从告警跳转到原始日志。
- 把多个服务的指标拼成一块运维看板:Dashboard 支持跨区域、跨账号(配合跨账号可观测性)聚合展示,适合值班与业务概览。
- 为自动伸缩与自愈提供触发信号:Alarm 可直接驱动 Auto Scaling 策略、Lambda 或 Systems Manager 动作,形成闭环。
计费与成本要点
- 按维度计费:告警数量、自定义指标数量(区分标准分辨率与高分辨率)、API 请求数、日志摄取量与存储量、Dashboard 超出基础额度的部分,都是独立计费维度;内置的 AWS 服务指标通常不额外收指标费,但告警与 API 调用仍会计费。
- 日志往往是最容易失控的一项:摄取、存储、查询扫描量分别计费。给日志组设置保留期、把冷数据导出到 S3 归档、减少调试级别的日志输出,是三个最有效的动作。
- 控制自定义指标基数:不要用请求 ID、用户 ID 这类高基数维度,改用指标筛选器聚合或 Embedded Metric Format 从日志中派生指标。
- 告警与查询也计费:优先用
GetMetricData批量查询、合并近似告警、用 composite alarm 收敛通知,避免为每个实例单独建低价值告警。具体价格与免费额度以官方文档为准。
上手步骤
- 确认权限:为操作者使用具备 CloudWatch 读写能力的 IAM 策略,为需要上报自定义指标的 EC2 实例挂载包含
CloudWatchAgentServerPolicy的实例角色。验证:在控制台打开 CloudWatch,确认能切换区域并看到 Metrics 列表。 - 先看内置指标:进入 Metrics → 选择
AWS/EC2等命名空间,按维度筛选出目标资源。CLI 可用aws cloudwatch list-metrics --namespace AWS/EC2确认指标存在。 - 补上主机层指标:EC2 的默认指标来自虚拟化层,不含内存使用率与磁盘空间。安装 CloudWatch agent 并加载配置后,验证方式是在
CWAgent命名空间下看到mem_used_percent等指标。 - 建立第一个告警:选定指标与统计方式,设置阈值、评估周期与「N 个数据点中 M 个越界」的判定规则,指定 SNS 主题作为动作。验证:用手动发布一个越界数据点或临时收紧阈值的方式,确认告警状态切换到
ALARM且收到通知。 - 接日志:创建日志组并设置保留期,让 agent 或应用把日志写入对应日志流,然后用 Logs Insights 跑一条
fields @timestamp, @message | filter @message like /ERROR/ | sort @timestamp desc验证可检索。 - 组装 Dashboard:把关键指标与告警状态放在同一块看板上,设置合适的时间范围与自动刷新。验证:从告警跳转到看板再跳转到日志,确认排障路径连贯。
常见问题与排查
告警长期停留在 INSUFFICIENT_DATA
原因是告警引用的指标或维度组合不存在,或评估周期内数据点不足以满足判定规则;也可能是资源刚创建、尚未上报第一个数据点。
处理:在 Metrics 中按同样的命名空间与维度手工检索该指标,核对维度名与大小写;检查资源所在区域是否与告警一致;确认 missing data 的处理方式配置是否符合预期。
看不到内存与磁盘使用率
EC2 的默认指标由虚拟化层提供,CPU、网络、磁盘 I/O 可用,但内存与文件系统使用率属于操作系统内部信息,必须由 agent 采集。
处理:确认实例已安装 CloudWatch agent、实例角色具备 cloudwatch:PutMetricData 权限、agent 配置中包含 metrics_collected 相应段,并查看 agent 日志确认启动无报错。
日志没有出现在 CloudWatch Logs
常见原因是 agent 配置中的日志路径与日志组名不匹配、实例角色缺少日志写入权限,或应用把日志写到了容器标准输出之外的位置。
处理:核对 agent 配置文件与日志组名称是否完全一致;检查 IAM 权限与日志组资源策略;对容器场景确认使用的是 awslogs 或 FireLens 驱动而非本地文件。
告警频繁抖动或误报
阈值贴着正常运行区间、评估周期过短、单个数据点即触发,都会导致状态反复切换;突发流量下的瞬时尖峰也容易造成误报。
处理:放宽阈值或延长评估周期,改用多数据点判定;对有明显周期性的指标使用异常检测(anomaly detection)带;用 composite alarm 把多个条件组合后再通知,减少噪声。
最佳实践
- 从第一天就为每个日志组设置保留期,并按敏感度分级;审计类需求交给 CloudTrail 与 S3 归档,不要让全部日志长期留在 CloudWatch Logs。
- 告警要可执行:每个告警都应有明确的责任人、判定依据和处置手册,避免只发通知不落动作的「僵尸告警」。
- 统一维度与命名规范,让指标可被批量查询与跨资源聚合;避免把高基数字段放进维度。
- 对生产账号启用跨账号可观测性,把指标与日志集中到运维账号统一观测,同时用 IAM 与日志组策略控制读写边界。
常见问题
CloudWatch 和 CloudTrail 有什么区别?
CloudTrail 记录 AWS API 的调用审计信息,回答「谁做了什么操作」;CloudWatch 关注资源运行指标、日志与告警,回答「系统当前是否健康」。两者常配合使用,但职责不同。
为什么 EC2 没有内存指标?
EC2 的默认指标来自虚拟化层,只覆盖 CPU、网络和磁盘 I/O。内存与磁盘使用率需要安装 CloudWatch agent 从操作系统内部采集,并保证实例角色有上报权限。
告警状态 INSUFFICIENT_DATA 是什么意思?
表示 CloudWatch 在评估周期内没有拿到足够的数据点来判定状态。通常是维度写错、指标未上报、资源刚创建,或数据缺失处理方式配置不当导致。
日志存储费用怎么降?
为日志组设置合理保留期,把历史日志导出到 S3 归档,减少调试级别输出,并避免用大范围时间窗反复执行 Logs Insights 查询,因为查询扫描量也计费。
CloudWatch 能监控本地或其他云的主机吗?
可以。CloudWatch agent 支持在非 EC2 环境运行,只要主机能通过互联网或代理访问 CloudWatch 端点,并具备有效的 AWS 凭证即可上报指标与日志。
自定义指标为什么成本上升很快?
计费按指标与维度的组合数量统计。把请求 ID、用户 ID 等高基数字段放进维度会成倍放大指标数量,建议改用指标筛选器或从日志派生聚合指标。