Node.js 在 Linux 上的监控实践

监控这件事，说复杂也复杂，说简单也简单。关键是把层次拆清楚，工具选对，流程跑通。下面从整体思路开始，一步步落地。

一 监控分层与总体思路

监控可以从五个维度来看：先是应用进程和业务指标——用 PM2 管理进程、查看资源、收集日志，或者在代码里用 process 模块把关键指标输出来。然后是系统资源层，用 top/htop、vmstat、iostat、free、df 盯住 CPU、内存、磁盘 I/O 和文件系统。第三层是日志链路，Winston、Bunyan、Pino 这类结构化日志工具是标配，配上 ELK（Elasticsearch/Logstash/Kibana）、Graylog 或 Splunk 做检索和可视化，排查问题效率会高很多。第四层是指标与可视化，可以自建 Prometheus + Grafana 看板，也可以直接用 New Relic、Datadog 这些 APM 服务。最后是性能剖析，用 node --inspect 配合 Chrome DevTools 做 CPU 和内存分析，精准定位热点和泄漏。

二 快速上手 PM2 与应用内监控

PM2 是 Node 生态里最常用的进程管理工具，没有之一。下面几个步骤就能把监控基础搭起来。

安装与启动

• 安装：sudo npm install -g pm2
• 启动：pm2 start app.js --name my-app
• 常用命令：pm2 list（查看进程列表）、pm2 monit（实时资源监控）、pm2 logs my-app（查看日志）、pm2 startup（设置开机自启）、pm2 sa ve（持久化当前进程列表）

进程守护与服务编排

用 systemd 管理 Node 服务是个更稳妥的方案——在服务配置里加上 Restart=always，进程崩溃后自动重启。配合 PM2 做多实例和负载均衡，生产环境基本就稳了。

应用内指标示例

在代码里输出一些关键指标非常实用：process.memoryUsage() 可以拿到常驻内存和堆大小，process.cpuUsage() 得到用户态和内核态的 CPU 时间。这些数据跟系统层的指标一对照，哪个环节出问题一目了然。

三 系统级监控与网络诊断

系统工具虽然古老，但老家伙们往往最靠谱。遇到卡顿或高负载，先翻它们的牌。

• 资源总览与进程定位：top/htop 按 CPU% 或 MEM% 排序，立刻找到哪个 Node 进程在吃资源。
• 深入系统：vmstat 3 给出进程、内存、I/O、CPU 的概览；iostat -x 能看出磁盘 I/O 是不是瓶颈；free -m 看内存使用详情；df -h 检查磁盘空间。
• 历史与综合：sar -u 1 3 看 CPU 使用率，sar -r 1 看内存，前提是装了 sysstat 包。
• 网络与进程流量：nethogs 可以按进程显示带宽占用，iftop 则按连接看实时流量——排查网络波动时特别好用。

四 日志与 APM 的可观测性方案

日志和 APM 是“看见”系统运行状态的两只眼睛。结构化日志让查询变得像在数据库里做 SQL，APM 则帮你画出调用链路和依赖地图。

结构化日志

• 库选型：Winston、Bunyan、Pino 三选一，输出 JSON 格式，带上 requestId、userId 等上下文，后续检索聚合效率翻倍。
• 传输与存储：日志可以写到控制台、文件，或者通过 HTTP 发送出去。集中到 ELK、Graylog 或 Splunk 后，画图表、设告警都很方便。

APM 与可视化

• 商业与托管：New Relic、Datadog 这类 APM 工具开箱即用，事务追踪、错误聚合、依赖地图、仪表盘一应俱全。
• 自建可观测性：用 Prometheus 采集自定义指标，比如 HTTP 延迟、事件循环延迟、内存和 GC 数据，再配上 Grafana 做可视化看板，还能设置阈值告警。自己掌控，灵活度更高。

五 性能剖析与故障定位

当线上真的出了性能问题，光靠日志和 stats 可能还不够，得掏出更锋利的工具做定点排查。

CPU/内存热点定位

带上 --inspect 参数启动应用：node --inspect app.js，然后用 Chrome DevTools 的 Performance 和 Memory 面板做 CPU 采样、内存快照。配合 PM2 monit 和系统 top/htop 观察资源变化，修复后马上能验证效果。

快速排查清单

总结一个实用的排查流程：先看 PM2 日志和异常堆栈，定位错误或异常；再看系统资源（CPU、内存、磁盘、网络）有没有异常波动；接着用 DevTools 做 CPU 采样或内存快照，找到热点代码或泄漏点；最后回归业务指标——延迟、吞吐、错误率，确认恢复。按这个顺序走，大部分问题都能快速锁定。