本帖最后由 forgaoqiang 于 2013-07-24 22:05 编辑
1，分享您在日常运维过程中是通过什么方式发现故障的？
关键词：开源监控程序、SNMP、139免费短信邮箱、自定义模板
①当前使用的是开源的解决方案，还是经典的Nagios配合Cacti进行系统监控，主要依靠SNMP协议进行实时的状态信息查看，一旦发现重要的设备离线，立即发送报警邮件到移动的139邮箱，139邮箱都是绑定手机号码的，同时免费的短信就能到达。
当前使用的方案的好处就是成本极低（基本上没有任何的费用），而且程序开放程度非常高，可以自定义监控模板之类的操作，因此非常适合自定义企业使用。
②配合脚本程序进行监控，我们自己写了监控脚本，就是简单的bash脚本，配合crontab进行定期的汇报，上端自己简单做的是PHP+MySQL的结构，接受各种自定义的信息到数据库，并通过Web前端展示出来。
2，针对目前使用的故障的预警和监控机制，您有哪些优化心得或建议，请分享一二？
关键词：自身特点、自定义、故障预警、隐患而不是已经出现故障
最大的优化就是根据自己的需求，对开源的监控方案进行了修改定制，添加了自己的内容，以适合自身的使用。其实当前故障监控最大的问题在于没有足够的趋势分析，很多时候设备要出现问题都有明显的前期现象，这个就和IDS系统的特征库类似，一旦大量总结这些特征，并应用到自定义的特征匹配里面（比如流量、CPU使用、内存占用等等），就可以在设备出现故障之前就能发现问题，即使排除隐患，而不是等待设备除了问题才进行修复。
PS1:这里服务器Linux的机器居多，只有少量的windows server服务器，而且都是2003的（不知道多少企业能够跟上潮流，使用2008设置2012），windows主机没有太好的办法进行监控，另外交换机和路由器，虽然也在监控列表当中，但是都没有出现过故障，这些设备出故障的概率还是比较小的。
PS2：还有就是数据展示的问题，其实对于网管人员来说，数据的形式本身不是很重要，但是领导看不懂呀，因此需要使用nagois 这样的提供很绚丽的图表，这个虽然有些和主题无关，但是作为经验，这样做工作会被看好。
不错！！！！！！
非常不错。
悲哀，来晚啦……
我觉得集群的概念还是很重要的，这样可以更明确的去了解自己的业务和需要监控的服务和性能
市场占用率不高