系统运维管理：通过告警触发自动重启CPU使用率高的ECS实例

背景

当ECS实例因已知或未知的原因CPU使用率过高时，往往会影响实例上应用的运行状态，造成应用运行缓慢甚至卡死。此时通过重启实例能够快速恢复CPU使用率到较低水平，能够避免对应用的影响。这个场景可以使用OOS告警触发功能，将CPU使用率高的实例自动重启，从而达到无人值守自动恢复的效果。

操作步骤

1. 登录OOS控制台。

2. 单击告警与事件运维，单击创建。

3. 设置触发规则。产品类型选择云服务器ECS，在规则描述中选择触发条件；本文选择当cpu_total大于80%时，触发告警操作，即进行重启实例；触发沉默周期默认为5分钟，即5分钟内不会因为重复的告警而重启实例。

4. 在需要报警资源中，选择要监控CPU使用率的实例。

5. 选择模板，模板类型选择公共模板，并选择批量重启ECS实例模板ACS-ECS-BulkyRebootInstances。

6. 设置模板参数。选择从告警消息体选择参数。

7. 地域ID、目标实例、任务执行的并发比率保留默认配置即可。

8. 执行使用到的权限的来源，需要为OOS服务创建RAM角色，参考《为OOS服务设置RAM权限》。执行此模板需要的权限策略。

   {
     "Version": "1",
     "Statement": [
       {
         "Action": [
           "ecs:RebootInstance",
           "ecs:DescribeInstances"
         ],
         "Resource": "*",
         "Effect": "Allow"
       }
     ]
   }

9. 设置完成后，单击创建。

结果验证

针对本文中的场景，可以通过压测工具 stress-ng 模拟CPU使用率高的情况。

1. 远程连接登录到监控的ECS实例。

2. 安装stress-ng。

   # AliyunLinux/CentOS/RHEL
   yum install stress-ng -y
   
   # Ubuntu/Debian
   apt-get install stress-ng -y

3. 运行stress-ng命令模拟CPU使用。

   # stress-ng命令可以根据压测需求调整参数。
   # 示例命令中，使用stress-ng压测2个CPU核，CPU负载设置为85%，运行5分钟后停止。
   stress-ng --cpu 2 --cpu-load 85 --timeout 5m

4. 压测1分钟左右，观察告警触发被执行，运行命令的ECS实例被成功重启，ECS实例的CPU使用率也下降。