为什么需要关注云服务磁盘IO
在日常运维中，你可能遇到过这种情况：应用突然变慢，接口响应时间飙升，但CPU和内存使用率看起来一切正常。这时候问题很可能出在磁盘IO上。尤其在云环境下，实例共享底层存储资源，IO波动更频繁，监控不到位就容易引发雪崩。
比如某次上线后订单系统卡顿，排查发现不是数据库锁，而是云磁盘的写入延迟从2ms飙到了80ms。这时候如果早有IO监控告警，就能提前介入，而不是等到用户投诉才行动。
常见的磁盘IO监控指标
真正有用的监控不在于数据多全，而在于抓住关键指标。重点关注这几个值：
- iops（每秒输入输出次数）——反映磁盘处理请求的能力
- 吞吐量（Throughput）——每秒读写的数据量，单位通常是MB/s
- IO延迟（Latency）——从发出请求到收到响应的时间，超过20ms就要警惕
- await——I/O请求平均等待时间，包含队列时间和实际服务时间
这些数据能帮你判断是应用压力过大，还是云平台存储层出了问题。
利用iostat快速定位问题
Linux自带的iostat是最直接的工具。安装sysstat包后就可以用：
iostat -x 1 5这行命令每秒输出一次，共五次，-x参数显示扩展统计信息。重点关注%util是否接近100%，如果是，说明磁盘已经饱和。r/s和w/s告诉你读写频率，avgqu-sz反映请求队列长度，大于2就要注意了。
对接云平台原生监控
阿里云、腾讯云、AWS都提供了磁盘IO的监控面板。以阿里云为例，在ECS实例详情页进入“监控信息”，可以直接看到BPS（带宽）、IOPS、IO等待时间等曲线。设置阈值告警后，一旦IO延迟持续超过设定值，就会通过短信或邮件通知。
别忘了绑定云监控Agent，有些基础指标默认只采集主机层面数据，装了Agent才能获取细粒度的磁盘IO情况。
用Prometheus+Node Exporter做长期观测
如果你有自己的监控体系，Prometheus搭配Node Exporter是个靠谱选择。部署Node Exporter后，它会暴露/proc/diskstats里的原始数据。
在Prometheus里配置抓取任务：
scrape_configs:
- job_name: 'node'
static_configs:
- targets: ['your-server-ip:9100']查询磁盘写延迟可以用：
rate(node_disk_write_time_seconds_total[1m]) / rate(node_disk_writes_completed_total[1m])把关键指标做成Grafana看板，历史趋势一目了然，还能结合业务高峰做容量规划。
避免掉进监控陷阱
有个常见误区：只看平均值。实际上磁盘IO的长尾延迟才是真正杀手。一次突发的100ms延迟可能让整个请求链超时。建议同时采集P95、P99分位值。
另外，SSD和HDD的监控策略不同。云服务器基本都是SSD，随机读写能力强，但也要防止单实例打满IOPS导致被限流。某些云厂商会对单盘设置IOPS上限，超了就会被 throttle。
定期跑下fio压测，了解当前实例的IO能力边界，比出问题后再救火强得多。