线上业务稳定运行必须盯紧的七个监控项是：服务器性能、应用程序性能、数据库性能、网络与API、业务关键指标、安全与日志、用户体验。忽略任何一项都可能导致服务中断、收入损失或用户流失。下面直接告诉你每个监控项具体要监控什么、用什么工具、以及如何设置警报阈值。

一、服务器性能监控：这是稳定性的基石

服务器是业务的物理承载，必须实时监控CPU使用率、内存占用、磁盘I/O和网络流量。CPU长期超过80%就需要扩容或优化代码；内存使用率超过90%可能引发OOM（内存溢出）错误；磁盘空间低于10%会导致写入失败。推荐使用开源的Prometheus配合Grafana进行可视化，它可以通过Node Exporter采集系统指标。警报规则可以这样设置：当CPU使用率持续5分钟高于85%时触发警告。同时，不要忘记监控服务器负载（Load Average），1分钟负载值持续超过CPU核心数的3倍，说明系统已过载。

二、应用程序性能监控（APM）：深入代码层面

即使服务器正常，应用本身也可能出问题。必须监控关键接口的响应时间、错误率、吞吐量（QPS/TPS）以及JVM堆内存（对于Java应用）或Goroutine数量（对于Go应用）。例如，一个电商下单接口，响应时间超过2秒就需预警，错误率一旦超过0.5%必须立即排查。可以使用SkyWalking、Pinpoint等开源APM工具进行代码级追踪。它们能帮你定位到是哪个数据库查询慢，或是哪个第三方API调用超时。对于核心事务，要设置SLA（服务等级协议），比如确保99.95%的请求响应时间在1秒内。

三、数据库性能监控：瓶颈往往在这里

数据库慢是线上业务最常见的性能问题。监控重点包括：查询耗时（慢查询日志）、连接数、缓存命中率（如MySQL的InnoDB Buffer Pool Hit Rate）、锁等待时间以及复制延迟（对于主从架构）。如果缓存命中率低于90%，可能需要优化查询或增加缓存；连接数接近最大限制，会导致新的用户无法登录。可以使用Percona Monitoring and Management (PMM) 或阿里云的DAS等工具。一个关键的实践是：为所有SQL语句设置超过1秒即为慢查询，并每天进行审计。

-- 示例：在MySQL中启用慢查询日志
SET GLOBAL slow_query_log = 'ON';
SET GLOBAL long_query_time = 1; -- 单位：秒
SET GLOBAL slow_query_log_file = '/var/log/mysql/slow.log';

四、网络与API监控：确保内外连通性

你的服务依赖于内部微服务间的调用和外部第三方API（如支付网关、短信服务）。监控要点是API的可用性、延迟和状态码。对于内部API，使用健康检查端点（如 "/health"）；对于外部API，使用从多个地理节点发起的定时探测。任何关键API的可用性低于99.9%或返回5xx错误码比例超过1%，都需要告警。黑盒监控工具如Blackbox Exporter或商业化的UptimeRobot很适用。特别注意网络层面的丢包率和延迟，这在跨机房部署时尤为重要。

五、业务关键指标监控：直接关联收入与用户

这是最容易被技术团队忽略，但对企业至关重要的部分。你需要将技术数据与业务数据关联。核心指标包括：每分钟订单数、支付成功率、新用户注册转化率、活跃用户数（DAU/MAU）以及核心业务流程的漏斗转化率。例如，支付成功率突然从99%跌至95%，意味着每分钟都在损失真金白银，必须与支付网关监控联动报警。通常需要将业务日志打入数据平台（如Elasticsearch），或通过埋点数据实时计算。建立业务仪表盘，让技术和运营团队都能实时看到。

六、安全与日志监控：防御入侵与快速排障

安全监控包括异常登录尝试、DDoS攻击流量、敏感数据访问模式等。日志监控则是故障排查的生命线。必须集中收集所有应用、系统和安全日志（使用ELK堆栈或Loki），并设置关键错误日志的实时警报。例如，应用日志中突然出现大量“SQL注入尝试”或“权限拒绝”记录，可能是攻击的前兆。同时，监控日志增长率，异常暴增可能代表程序出现了无限循环打印错误。确保日志包含唯一的请求ID，以便跨服务追踪一个用户请求的全链路。

七、用户体验监控：从最终用户视角发现问题

前面六项都是从系统内部视角，而用户实际感受到的性能可能完全不同。这就需要Real User Monitoring (RUM)。监控用户在真实世界使用你网站或App时的页面加载时间（首屏加载、可交互时间）、核心操作点击响应速度以及JavaScript错误率。特别是要关注不同地区、不同网络运营商、不同设备型号下的性能差异。可以使用开源的性能Timing API进行数据收集。如果某个地区的用户平均页面加载时间比其他地区慢3倍，问题可能出在你的CDN节点或当地网络。将用户体验数据与APM数据结合，能精准定位是后端API慢还是前端资源加载慢。

将这七个监控项构建成一个立体化的监控体系，并确保它们之间能联动告警。例如，当支付成功率（业务指标）下降时，能自动关联查看支付API的延迟（网络监控）和数据库订单表的写入延迟（数据库监控）。真正的稳定运行，不是等故障发生再去救火，而是通过这七双“眼睛”的持续盯防，将问题扼杀在萌芽状态。记住，监控的目标不是收集海量图表，而是驱动有效的行动和决策。