در این مقاله میخوانید
بسیاری از سرویسهای حیاتی سازمان روی Linux اجرا میشوند:
• Web Server
• Database
• Container Platform
• Monitoring Server
• Proxy
• DNS
• Automation Platform
• Security Appliance
اما مشاهده CPU و فضای Root برای ارزیابی سلامت Linux کافی نیست. یک سرور میتواند CPU پایینی داشته باشد ولی بهدلیل Disk I/O، OOM، خرابی DNS یا توقف یک Service عملاً غیرقابل استفاده باشد.
1️⃣ Availability و Uptime
موارد پایه:
☑️ ICMP
☑️ Agent Availability
☑️ Uptime
☑️ Last Boot
☑️ Load Average
☑️ Time Synchronization
☑️ Network Connectivity
☑️ Kernel Version
☑️ Agent Version
Reboot غیرمنتظره باید Event تولید کند، اما Restart برنامهریزیشده در Maintenance نباید Alert Storm ایجاد کند.
2️⃣ CPU و Load Average
Load Average با درصد CPU یکسان نیست.
Load نشاندهنده تعداد Taskهایی است که در انتظار CPU یا منابع غیرقابل وقفه مانند I/O هستند. بنابراین Load بالا ممکن است ناشی از CPU، Storage یا Processهای Blockشده باشد.
مقادیر رایج:
• Load یکدقیقهای
• Load پنجدقیقهای
• Load پانزدهدقیقهای
Load باید نسبت به تعداد CPU Core تحلیل شود. Load برابر ۸ روی سرور دوهستهای با همان مقدار روی سرور ۳۲هستهای معنای یکسانی ندارد.
همراه Load این موارد را بررسی کنید:
• User Time
• System Time
• I/O Wait
• Steal Time
• Context Switch
• Process State
Steal Time بالا در ماشین مجازی میتواند نشاندهنده رقابت منابع روی Hypervisor باشد.
3️⃣ Memory، Cache و Swap
در Linux مقدار کم Free Memory الزاماً مشکل نیست؛ سیستم از RAM آزاد برای Page Cache استفاده میکند.
Metricهای مهم:
• Available Memory
• Used Memory
• Cache و Buffer
• Swap Usage
• Swap In/Out
• Major Page Fault
• OOM Kill
• Memory مصرفی Processها
استفاده از Swap بهتنهایی Incident نیست؛ اما Swap Activity مداوم همراه با کاهش Performance نیازمند بررسی است.
ثبت "Out of Memory Killer" در Log بسیار مهم است، زیرا Kernel ممکن است برای حفظ سیستم یک Process حیاتی را متوقف کند.
4️⃣ File System و Inode
برای هر Mount Point باید این موارد بررسی شود:
☑️ فضای آزاد درصدی
☑️ فضای آزاد واقعی
☑️ Inode Free
☑️ Read-Only شدن File System
☑️ Mount Availability
☑️ نرخ رشد مصرف
☑️ زمان تخمینی پرشدن
ممکن است فضای Disk موجود باشد، اما Inodeها تمام شده باشند و سیستم دیگر نتواند فایل جدید ایجاد کند.
Mountهای موقت مانند "tmpfs"، Container Mount و File Systemهای خاص باید با Filter مناسب مدیریت شوند.
5️⃣ Disk I/O
Metricهای مهم:
• Read/Write Throughput
• IOPS
• Await یا Latency
• Queue Depth
• Utilization
• I/O Error
• Device Availability
CPU پایین همراه با I/O Wait بالا معمولاً نشان میدهد Bottleneck در Storage است، نه Processor.
Thresholdهای Disk باید براساس نوع Storage، Workload و Baseline تعیین شوند؛ یک Latency مشخص برای HDD، SSD و SAN معنای متفاوتی دارد.
6️⃣ Systemd و Service Monitoring
Serviceهای حیاتی براساس نقش سرور مشخص شوند:
• "sshd"
• "nginx" یا "apache2"
• "mysql" یا "postgresql"
• "docker" یا "containerd"
• "chronyd" یا "systemd-timesyncd"
• Application Service
• Backup Agent
• Security Agent
• "zabbix-agent2"
Systemd Discovery نباید تمام Unitها را وارد مانیتورینگ کند. Serviceهای Disabled، Static یا One-shot میتوانند Problemهای غیرضروری ایجاد کنند.
بهتر است فقط Serviceهای Enabled و حیاتی با Filter و Override مناسب مانیتور شوند.
7️⃣ Process و Port
برای Applicationهای مهم:
• Process Count
• Memory و CPU Process
• Listening Port
• Connection Count
• Restart Count
• Response Time
• Process Owner
• Command Line در صورت نیاز
وجود Process یا بازبودن Port تضمین نمیکند سرویس درست کار میکند. برای Web Application باید HTTP Status، Response Time و محتوای پاسخ نیز بررسی شود.
8️⃣ Log Monitoring
Logهای مهم:
• "journalctl"
• "/var/log/syslog"
• "/var/log/messages"
• "/var/log/auth.log"
• Kernel Log
• Application Log
• Database Log
• Web Server Error Log
الگوهای مهم:
• OOM
• Disk Error
• Authentication Failure
• Segmentation Fault
• Filesystem Read-Only
• Service Crash
• Database Connection Error
• Kernel Panic
• RAID Degradation
تمام Logها را با یک Pattern عمومی مانند "error" مانیتور نکنید؛ این کار False Positive زیادی تولید میکند.
9️⃣ Network Monitoring
☑️ Interface Status
☑️ Traffic
☑️ Error و Drop
☑️ TCP Connection State
☑️ Listening Port
☑️ DNS Resolution
☑️ Default Gateway
☑️ Packet Loss و Latency
☑️ تغییر IP یا Route
☑️ Socket Usage
مشکل DNS ممکن است شبیه اختلال Application دیده شود. بنابراین علاوه بر اتصال IP، Name Resolution نیز باید تست شود.
🔟 Application و Container
Agent 2 و Pluginهای مرتبط میتوانند برای سرویسهایی مانند اینها استفاده شوند:
• MySQL و PostgreSQL
• Redis
• Docker
• Web Server
• Certificate
• Systemd
در محیط Container باید مشخص شود هدف مانیتورینگ چیست:
• سلامت Host
• Container Availability
• Resource Usage
• Restart Count
• Application داخل Container
• Image و Lifecycle
مانیتورکردن تعداد زیاد Container کوتاهعمر بدون Retention و Discovery Policy مناسب میتواند حجم زیادی از Host و Item ایجاد کند.
امنیت Agent در Linux
🔐 ارتباط TLS
🔐 اجرای Agent با کاربر محدود
🔐 محدودکردن UserParameter
🔐 غیرفعالبودن Remote Command غیرضروری
🔐 حفاظت از PSK و Certificate
🔐 محدودکردن دسترسی فایلهای حساس
🔐 جلوگیری از ذخیره Credential در متن ساده
🔐 کنترل "sudoers"
🔐 بررسی Log Agent
🔐 Patch منظم Agent
قرار دادن دستورهای عمومی و قابل کنترل توسط ورودی در UserParameter میتواند خطر Command Injection ایجاد کند.
🎯 جمعبندی
مانیتورینگ Linux باید رفتار CPU، Memory، Storage، Kernel، Service، Log، Network و Application را در کنار هم تحلیل کند.
Load بالا علت مشکل نیست؛ یک نشانه است. وظیفه طراحی حرفهای این است که با دادههای مرتبط، Root Cause را مشخص کند.
در قسمت بعد:
🔜 مانیتورینگ Active Directory؛ چگونه Replication، DNS، SYSVOL، Kerberos، NTP و سلامت Domain Controllerها را با Zabbix کنترل کنیم؟
