监控虚拟机的核心是分层采集宿主机、虚拟化层、客户机和业务指标，用Zabbix、Prometheus+Grafana或云监控组合告警；中小规模优先开源方案，规模大或合规要求高时再考虑商业工具。
先厘清监控对象：虚拟机监控到底要看什么？
很多团队一上来就装Agent,结果客户机CPU看着不高，业务却卡顿，问题往往出在虚拟化层，虚拟机监控不能只看“机器活着”，要分四层看。
宿主机与虚拟化层：别只盯着客户机CPU
宿主机是虚拟机资源的源头,重点看CPU就绪时间、内存气球、交换使用、磁盘队列和网络丢包，VMware环境下，CPU Ready高说明虚拟机在等物理CPU调度；内存气球上涨说明宿主机内存压力已经传导到客户机，KVM环境要看steal time，它反映虚拟机被宿主机抢占的CPU时间。
实操上,VMware可用vSphere Client进入“主机和集群”查看性能选项卡，也可用PowerCLI拉取历史数据：
Connect-VIServer -Server vcenter.example.com Get-Stat -Entity (Get-VM) -Stat cpu.ready.summation -Start (Get-Date).AddHours(-2)
KVM可用virsh domstats快速查看：
virsh domstats vm1 --cpu-total --block --interface
客户机内部：Agent与无Agent采集怎么选
客户机内部指标包括CPU、内存、磁盘IOPS、文件系统使用率、进程状态，Linux常用node_exporter，Windows可用Zabbix Agent或Telegraf，没有条件装Agent时，可通过SSH、WinRM或云平台插件采集，但实时性和指标完整度会打折扣，生产环境建议核心业务装Agent，测试和边缘虚拟机用无Agent方式兜底。
业务体验：从资源指标到可用性指标
资源正常不等于业务可用,至少补充端口存活、HTTP状态码、接口耗时、日志关键字告警，比如财务系统在月末跑批时，客户机CPU可能只有一半，但磁盘await已经很高，这时要结合宿主机磁盘队列和业务队列长度判断，监控指标要能回答“用户是否受影响”，而不只是“CPU用了多少”。
虚拟机监控工具有哪些？从开源到商业的选型清单
开源组合：Zabbix、Prometheus+Grafana、Nagios
Zabbix适合混合环境,自带VMware监控模板，也能通过Agent采客户机指标，Prometheus+Grafana适合云原生和KVM环境，用libvirt_exporter采虚拟化层，node_exporter采客户机，Grafana做面板，Nagios偏传统可用性监控，插件生态成熟，但动态指标和容器场景弱一些。
Prometheus采libvirt的配置片段如下：
scrape_configs:
- job_name: 'libvirt'
static_configs:
- targets: ['192.168.1.10:9177']
Zabbix则在“配置-主机”里链接“VMware monitoring”或“Linux by Zabbix agent”模板，再按业务加触发器。
商业与云原生：vRealize Operations、Datadog、云监控
VMware深度用户常选vRealize Operations，能给出容量预测和性能瓶颈分析，Datadog适合多云和快速上线，Agent安装后主机、虚拟机、应用指标一并采集，云平台自带监控最省事，简米云云监控、酷番云可观测平台、AWS CloudWatch都能直接看ECS/EC2指标，基础指标通常免费，高级告警和日志服务按量收费。
| 工具 | 类型 | 采集方式 | 适用场景 | 成本特点 |
|---|---|---|---|---|
| Zabbix | 开源 | Agent/API/SNMP | 中小规模混合环境 | 软件免费，人力与服务器成本 |
| Prometheus+Grafana | 开源 | Exporter/API | KVM、云原生、容器混合 | 软件免费，需维护存储与告警 |
| vRealize Operations | 商业 | vCenter API | VMware深度用户 | 按CPU或OSI授权 |
| Datadog | SaaS | Agent/API | 多云、快速上线 | 按主机每月计费 |
| 云平台自带监控 | 云服务 | 插件/API | 单云环境 | 基础免费，高级功能收费 |
免费虚拟机监控工具和付费版区别在哪？
免费工具省的是软件授权,不省人力，Zabbix和Prometheus部署免费，但模板调优、存储扩容、告警收敛都要人，付费版买的是开箱模板、容量分析、厂商支持和合规报表，小团队虚拟机数量少，开源组合够用；跨地域多云、有等保审计需求时，商业工具的报表和工单支持更省心，选型时先算“人力成本+故障损失”，再比授权费。
云服务器虚拟机监控怎么设置？以云平台和自建环境为例
云平台自带监控的开启路径
以常见云平台为例,路径大同小异：
- 登录云控制台,进入“云监控”或“可观测平台”。
- 选择“主机监控”，按提示安装监控插件。
- 在“告警规则”中设置CPU、内存、磁盘、网络阈值。
- 绑定通知组,选择短信、邮件或Webhook。
- 对核心业务再加进程监控和端口监控。
云平台基础监控通常分钟级,业务关键指标可开启秒级或自定义采集，注意插件版本和镜像兼容性，避免升级后采不到数据。
自建KVM/VMware的采集配置
KVM环境建议宿主机装libvirt_exporter,客户机装node_exporter，Prometheus统一拉取，Grafana导入Libvirt Exporter仪表盘后，重点看虚拟机状态、CPU steal、磁盘延迟，VMware环境可用Zabbix的VMware模板，也可用PowerCLI定时导出指标到时序库，采集账号给只读权限，别用管理员账号跑脚本。
告警规则与通知渠道配置
告警不要只设静态阈值,CPU持续5分钟超过80%再告警，比瞬时尖刺更有效，示例规则：
- alert: HighCPU
expr: 100 - (avg by(instance)(rate(node_cpu_seconds_total{mode="idle"}[5m])) 100) > 80
for: 5m
通知渠道分层：P1电话加短信，P2邮件加IM，P3只进日报，Alertmanager或Zabbix动作里配置路由，避免所有告警打到同一个人。
企业虚拟机监控方案价格与部署成本怎么算？
开源方案隐性成本
开源软件授权为零,但服务器、存储、人力和培训都要算，Prometheus长期存储需要块存储或远程存储，Zabbix数据库要定期清理，一个常见坑是只算软件费，不算告警调优和值班成本，业内专家指出，虚拟机监控的难点不在采集，而在指标分层和告警收敛。
商业方案计价方式
商业工具常见计价口径有三种：按物理CPU插槽、按虚拟机数量、按主机每月订阅，云SaaS按主机数和指标量计费，长期用可能比买断贵，谈价时确认是否含技术支持、是否按年预付、超量怎么计，价格敏感型团队可先用开源做核心监控，商业工具只覆盖关键业务和合规报表。
北京虚拟机监控服务怎么选？本地化支持与合规考量
北京地区选服务商,重点看本地响应时效、是否熟悉等保2.0日志留存要求、能否覆盖混合云和信创环境，远程支持能解决大部分问题，但涉及专有网络和审计时，本地驻场或同城上门更稳，合同里写清SLA、数据归属和退出迁移方式，别只看报价单。
监控虚拟机时容易踩的坑与实操建议
采集频率与性能开销
核心指标15秒到1分钟采一次,非核心5分钟一次，Agent采集频率过高会推高客户机CPU，尤其小规格虚拟机，宿主机API采集也要限流，vCenter并发请求过多会拖慢管理面。
告警风暴与阈值设置
同一宿主机上多台虚拟机同时告警,先做告警聚合，按宿主机、集群、业务分组，阈值用动态基线比固定值更稳，比如按历史同时段分位数设阈值，维护窗口提前配置，避免升级时刷屏。
权限与安全边界
监控账号只读,API密钥定期轮换，Agent通信走内网或加密通道，别把exporter端口直接暴露公网，日志和指标里可能含主机名、IP、业务路径，存储侧要做访问控制，行业共识认为，宿主机层面的CPU就绪时间和内存气球指标比客户机CPU使用率更能提前暴露资源争抢。
Q&A：虚拟机监控常见问题解答
监控虚拟机需要每台都装Agent吗？
不一定,宿主机和虚拟化层可通过API采集，云平台自带监控也不需要额外Agent，客户机内部指标如进程、文件系统、应用日志，装Agent更完整，混合策略是核心业务装Agent，测试和边缘虚拟机用无Agent采集。
虚拟机监控和物理机监控最大区别是什么？
虚拟机多了虚拟化层指标,比如CPU就绪、内存气球、steal time，物理机看硬件和OS指标就够，虚拟机还要看宿主机资源争抢和超分比例，否则容易误判为客户机性能不足。
虚拟机监控数据保留多久合适？
多数企业保留30到90天用于排障,冷数据归档到对象存储，等保或行业审计有更长要求时按合规期限执行，保留策略要写进监控平台配置，避免磁盘写满导致采集中断。