EC2 专用主机代运维怎么做:监控告警与巡检清单

先说结论
- 专用主机的运维重心不在实例,而在宿主机层:
DedicatedHost的可用 vCPU、宿主机状态、以及实例与宿主机的绑定关系,这三类指标没监控起来,等于没运维。 - 日常节奏按「日 5 分钟、周 30 分钟、月半天、季度一天」排进日历,日报只看看板与告警,周报跑一次 CLI 巡检脚本,月度做账单核对加一次恢复演练,季度做容灾与安全复查。
- 宿主机是稀缺资源,扩缩容不是改个数字的事,必须提前规划容量与主机亲和性;把它当成「会跑实例的物理机」来管理,心态才对。
为什么专用主机的监控和普通 EC2 不是一回事
普通 EC2 你只关心实例的 CPU、内存、磁盘,坏了换一台。专用主机不一样。你租的是一整台物理服务器,实例跑在上面,实例和宿主机之间还有一层绑定关系(Host ID + 亲和性)。这层关系断了、或者宿主机本身出状况,你的实例可能因为「没法重新启动到原来那台机器上」而卡住。
我们线上遇到过一次:一台 m5.xlarge 实例做 stop/start 之后起了快 20 分钟没起来,控制台实例状态一直是 pending。当时第一反应是 EBS 卷有问题,查了半天没结果,最后在 describe-instances 输出里注意到 Affinity: host 和 HostId 字段,才反应过来实例被绑在指定宿主机上,而那台宿主机当时在做维护。这就是专用主机运维最容易漏的点:你监控的是实例,出事的是宿主机。
所以指标要分层看:
| 层级 | 关注对象 | 关键信号 | 建议告警阈值 |
|---|---|---|---|
| 宿主机层 | Dedicated Host | Available vCPU、宿主机状态、分配实例数 | 可用 vCPU < 机型总核数 20% 持续 10 分钟 |
| 实例层 | EC2 Instance | CPUUtilization、StatusCheckFailed、EBS 队列长度 | CPU > 80% 持续 15 分钟;任一 StatusCheck 失败立即告警 |
| 绑定层 | Host ↔ Instance | HostId、Affinity、Tenancy | 出现非预期 Host ID 变化立即告警 |
| 成本层 | 账单 | 主机小时数、未使用容量 | 主机利用率 < 60% 连续 7 天 |
这套分层的好处是排障时能快速定位:实例挂 → 先看宿主机状态 → 再看绑定关系 → 最后才查实例内部。
每天要做的:5 分钟看完三块看板
日检不写脚本,就看三样东西,5 分钟能过完。
第一块是 CloudWatch 告警状态。有没有处于 In alarm 的条目,尤其是 StatusCheckFailed 这类硬故障,红色就直接进排障流程。
第二块是宿主机可用容量。专用主机的 vCPU 是有限资源,如果某台主机可用 vCPU 掉到接近 0,说明这台机器快塞满了,再往上放实例会直接失败。用这条命令一眼看完:
aws ec2 describe-hosts
--region us-east-1
--query 'Hosts[].{HostId:HostId,State:State,InstanceType:InstanceType,Available:AvailableCapacity.AvailableVCpus,Instances:Instances[].InstanceId}'
--output table
输出里 `State` 应该是 `available`,如果出现 `under-assessment` 或者 `permanent-failure`,那就是宿主机本身在出问题,要准备迁移实例。
第三块是夜间的告警收敛情况。我个人习惯每天早上看前一晚有没有告警风暴——同一个指标反复触发又恢复,往往说明阈值设得太紧,或者某个实例在周期性抖动,得调阈值而不是逐条处理。
日检输出一句话就行:`今日无异常` 或者 `host-xxxx 可用 vCPU 剩余 2,需关注`。不需要写周报级别的文档。
## 每周要做的:30 分钟跑一遍巡检脚本
周检是唯一值得写脚本的部分。我一般把下面这段存成 `weekly-check.sh`,周一早上跑一次:
```bash
#!/bin/bash
REGION="us-east-1"
echo "=== 宿主机状态 ==="
aws ec2 describe-hosts --region $REGION
--query 'Hosts[].[HostId,State,InstanceType,AvailableCapacity.AvailableVCpus]'
--output text
echo "=== 宿主机上的实例分布 ==="
aws ec2 describe-instances --region $REGION
--filters "Name=tenancy,Values=host"
--query 'Reservations[].Instances[].{Id:InstanceId,Type:InstanceType,State:State.Name,Host:Placement.HostId}'
--output table
echo "=== 状态检查失败的实例 ==="
aws ec2 describe-instance-status --region $REGION
--include-all-instances
--query 'InstanceStatuses[?InstanceStatus.Status!=`ok` || SystemStatus.Status!=`ok`].[InstanceId,InstanceStatus.Status,SystemStatus.Status]'
--output text
跑完看三件事:
第一,宿主机上的实例分布是否均衡。如果一台主机上挤了 8 台实例,另一台只放了 2 台,后面那台就是在浪费钱。月检时按这个调。
第二,有没有实例的 `HostId` 和你预期的不一致。有时候别人在控制台手动改过放置配置,脚本能兜住。
第三,状态检查失败的实例。`describe-instance-status` 只返回运行中实例,加 `--include-all-instances` 才能看到已停止的,这个参数我踩过坑——早期不加,结果一个已停止但系统状态异常的实例一直没被发现。
周检还有一件不做不行的事:确认自动快照在跑。翻一下 EBS 快照列表最近 7 天有没有新记录,没有就说明规则没生效。
## 每月要做的:账单核对、备份恢复演练
月度是三件事:对账、演练、清容量。
对账不是看总额,是看**主机利用率**。一台 `m5.xlarge` 专用主机在 us-east-1 按需大概每月两万上下(随区域与机型浮动,以 AWS 官方定价页为准),如果你的实例只用了三分之一 vCPU,这笔钱就白花了。我一般算一个粗口径:可用 vCPU 长期高于 60% 的主机,要么加负载,要么考虑缩机型。
恢复演练必须真做,不能只看快照存在。流程是:从最近一次快照创建卷 → 挂到一台临时实例 → 起服务 → 校验数据。整个流程一次大约 40 分钟,我建议排进日历而不是想起来再做。演练时要记录两个数:快照恢复耗时、服务从零起到可用的耗时。这两个数字决定了真出事时你能给业务方什么承诺。
清容量指的是一批无人认领的资源:没挂载的 EBS 卷、超过保留期的快照、停止超过 30 天的实例。专用主机场景下经常能清出不少。
## 每季度要做的:容灾与安全复查
季度项频次低但最容易被跳过。
容灾这边要回答一个问题:**宿主机故障时,实例能不能落到别的主机上?** 如果实例的 `Affinity` 是 `host`,它就只能在那台指定主机上启动,主机挂了实例起不来。解决办法是预先准备一台备用宿主机,或者把非强绑定业务改成 `Affinity: default`。这个决定必须在季度复查时做,不能等出事。
具体检查命令:
```bash
# 看哪些实例被硬绑在指定主机上
aws ec2 describe-instances --region us-east-1
--filters "Name=tenancy,Values=host"
--query 'Reservations[].Instances[?Placement.Affinity==`host`].[InstanceId,Placement.HostId]'
--output table
安全复查方面,专用主机常见的遗留问题是安全组规则攒了几年没人清。把 0.0.0.0/0 入站的规则全部拉出来过一遍,尤其是 22 和 3389。另外检查 IAM 里有没有长期未使用的访问密钥——代运维交接时最容易留下的就是这类账号。
## 实测与踩坑:一次宿主机容量告警的排查
2026 年 11 月,一个客户的批量计算业务要扩容,计划在已有宿主机上再起 4 台 `c5.4xlarge`。脚本执行后返回:
An error occurred (InsufficientHostCapacity) when calling the RunInstances operation:
There is insufficient capacity on the Dedicated Host to launch the instance.
第一版配置错在哪儿?我们只看了那台主机「已分配 6 台实例」这个数字,觉得还有空间,没算 vCPU。`c5.4xlarge` 是 16 vCPU,主机总共 72 vCPU,已经用了 48,看起来还能塞一台。但实际可用的是**物理核对应的 vCPU 加上超线程折算后的可分配量**,而且已有实例的实际占用和标称值有出入。
定位方法很直接:跑 `describe-hosts` 看 `AvailableCapacity.AvailableVCpus` 字段,返回的是 `21`。21 除以 16,只能再起一台,起 4 台必然失败。判断依据就从「数实例个数」改成「看 AvailableVCpus 除以目标机型 vCPU」。
最后处理是临时开了一台新宿主机承接这批实例,同时把扩容前的容量检查写进了脚本前置校验。这个坑的教训是:**专用主机的容量单位是 vCPU,不是实例台数**。
## 什么情况下不要用专用主机这套方案
说清楚边界,免得白折腾。
如果业务只是「想让实例不和其他租户共享物理机」,但没有 BYOL 授权、没有合规硬性要求、也不需要对物理核做绑定,那用 Dedicated Instances 或者干脆用普通实例加 Savings Plans 更划算。专用主机贵,且容量调度不灵活,小团队很容易买完之后发现利用率只有 30%。
另外,如果你的业务是突发型、每天负载波动很大,专用主机按小时计费的模式会让你在低谷期持续付费。这种场景更适合普通实例加 Auto Scaling。
真正适合专用主机的,是这三类:带 Windows Server / SQL Server 的 BYOL 授权绑定物理核、有明确合规要求必须单租户独占硬件、以及需要对物理机做 socket 级授权的软件。除此之外,别为了「感觉更安全」而上专用主机。
## 常见问题
**专用主机的监控指标在哪儿看?** 宿主机层指标在 CloudWatch 里有独立的 `AWS/EC2` 命名空间维度,但更直接的方式是用 `describe-hosts` 拉 `AvailableCapacity`,宿主机状态这类信息控制台看板不如 CLI 全。
**能不能全交给托管团队?** 日常巡检、告警响应、账单核对、恢复演练这类例行工作适合外包,节奏固定、判断标准明确。但容量规划和架构决策建议自己留一手,因为那涉及业务取舍,外部团队不了解你的增长节奏。
**实例停机能自动迁移到别的宿主机吗?** 只有在 `Affinity` 不是 `host` 的情况下才有机会。硬绑定的实例不会自动迁移,这是设计如此,不是故障。
## 参考来源
- [Amazon EC2 Dedicated Hosts 用户指南](https://docs.aws.amazon.com/AWSEC2/latest/UserGuide/dedicated-hosts.html)
- [Dedicated Hosts 的监控与容量管理](https://docs.aws.amazon.com/AWSEC2/latest/UserGuide/dedicated-hosts-monitoring.html)
- [Amazon EC2 实例状态检查](https://docs.aws.amazon.com/AWSEC2/latest/UserGuide/monitoring-system-instance-status-check.html)
- [Amazon EC2 定价](https://aws.amazon.com/ec2/pricing/)
像这类按日/周/月/季度排好的例行巡检和告警响应,我们 awsgood.com 平时也帮客户做代运维,把上面这套日历直接落到 CloudWatch 告警和脚本上;但容量规划这类需要跟着业务走的判断,还是建议你们自己拍板。
常见问题
EC2 专用主机和 Dedicated Instance 有什么区别?
专用主机是独占整台物理服务器,你能看到 Host ID 并控制实例的放置;Dedicated Instance 只是保证实例不与其他账号共享硬件,硬件由 AWS 调度,你无法指定具体机器。
专用主机的 vCPU 用完了会怎样?
新建实例会直接失败,报 InsufficientHostCapacity 错误。扩容前必须用 describe-hosts 查 AvailableCapacity.AvailableVCpus,除以目标机型 vCPU 数,得出还能起几台。
专用主机上的实例能做成自动扩缩容吗?
技术上可以配 Auto Scaling,但受宿主机容量上限约束,扩到物理机装不下就失败。更适合固定容量的业务,波动型负载建议用普通实例加 Scaling。
宿主机进入 under-assessment 状态怎么办?
这是 AWS 在对该物理机做健康评估,期间实例可能受影响。应提前准备备用宿主机,把关键实例迁移过去,并检查是否有硬绑定的 Affinity: host 配置阻碍迁移。
专用主机的备份和普通 EC2 一样吗?
备份方式一样,都是 EBS 快照加 AMI。区别在恢复:硬绑定的实例恢复到指定 Host 上,如果那台主机不可用,恢复流程会被卡住,所以演练时必须验证目标主机可用。
专用主机按什么计费?
按主机小时计费,与上面跑多少实例无关。所以利用率低于 60% 通常就不划算了,需要按月核对可用 vCPU 占比来评估是否缩机型。
发表回复