Prometheus跨主机监控实战:Node Exporter部署、CPU内存告警与cpolar远程采集

作者:码农阿豪@新空间日期:2026/9/30

Prometheus跨主机监控实战:Node Exporter部署、CPU内存告警与cpolar远程采集

前言

Prometheus 采用定期抓取指标的方式采集目标状态。对 Linux 主机而言,Node Exporter 可以把 CPU、内存、文件系统和网络等指标暴露在 HTTP /metrics 端点。实际运维中,Prometheus 和被监控主机往往分开部署;当两台主机处于同一个可路由网络时,直接配置被监控端 IP 与 9100 端口即可。但如果目标设备位于另一处内网,监控中心不能直接到达它,单纯把目标 IP 写进配置文件,并不能解决链路不通的问题。是否采集成功,需要同时检查 Exporter 进程、指标端点、网络连通性和 Prometheus 的抓取任务。尤其是接口能在目标本机打开,却不能从监控端访问时,应该先区分本机服务是否启动、主机防火墙是否放行以及公网隧道是否在线,不要把所有问题都归结为 Prometheus 的配置错误。

本篇以两台 CentOS 7 虚拟机演示完整过程:监控端为 192.168.42.140,被监控端为 192.168.42.145。首先安装 Node Exporter 1.2.0,配置专用运行用户和 systemd 服务,检查 /metrics;随后在 Prometheus 的静态目标中添加 192.168.42.145:9100,验证 Targets 和 up 指标。接下来编写 CPU、内存告警规则,并说明规则文件、评估周期与 Alertmanager 通知之间的关系。最后使用 cpolar 提供跨网络入口,演示随机域名与固定二级子域名,并补充 HTTPS 抓取配置。原文命令及截图全部保留;涉及端口、路径、安全和版本差异的地方单独标注,方便读者按实际部署环境检查。

1 CentOS 7 安装 Node Exporter:二进制包与 systemd

先确认本篇的两台虚拟机分工。下面是原文演示用的局域网地址,不是每位读者都需要照抄的固定参数:

  • 监控主机(Prometheus):192.168.42.140。
  • 被监控主机(Node Exporter):192.168.42.145。

监控主机事先准备以下程序:

  • Prometheus:负责抓取、保存并查询指标,也负责评估告警规则。
  • Alertmanager:在完成相应配置后,负责告警聚合、静默和通知分发;只看指标时并非必需。

被监控主机安装:

  • node_exporter:采集并暴露 Linux 主机的系统指标。

Prometheus 和 Alertmanager 的基础安装,原文另有两篇关联教程,本文不重复展开:《监控不再局域网!Cpolar 让 Prometheus 走出内网限制!》、

《告别宕机!零基础搭建服务器监控告警系统!小白也能学会!》。

先登录 192.168.42.145,下载原文采用的 Node Exporter 1.2.0 Linux amd64 二进制包:

1curl -LO https://github.com/prometheus/node_exporter/releases/download/v1.2.0/node_exporter-1.2.0.linux-amd64.tar.gz
2

下载后在当前目录解压。后面所有路径操作都以这个压缩包展开得到的目录为基础:

1tar xvfz node_exporter-1.2.0.linux-amd64.tar.gz
2

把解压出来的目录移到 /opt,统一命名为 node_exporter,便于随后在服务文件里指定可执行文件路径:

1 mv node_exporter-1.2.0.linux-amd64 /opt/node_exporter
2

为了让服务能由 systemd 管理,先创建服务单元文件:

1sudo vi /etc/systemd/system/node_exporter.service
2

原文的服务内容如下。User 和 Group 指向专用账号,ExecStart 对应刚才移动后的二进制路径;这段内容原样保留:

1[Unit]
2Description=Node Exporter
3Documentation=https://github.com/prometheus/node_exporter
4After=network.target
5
6[Service]
7User=node_exporter
8Group=node_exporter
9Type=simple
10ExecStart=/opt/node_exporter/node_exporter
11
12[Install]
13WantedBy=default.target
14

按服务文件中填写的名称创建专用用户。这里不创建家目录,也不允许该用户交互式登录,避免为采集程序使用个人登录账户:

1useradd --no-create-home --shell /bin/false node_exporter
2

重新加载 systemd 配置,并按照原文设置开机自启:

1 systemctl daemon-reload
2 systemctl enable node_exporter
3

**启动与验证补充:**原文执行了 enable,没有展示 start。按下面步骤检查本机指标端点,才可确认服务真正运行。

1sudo systemctl start node_exporter
2sudo systemctl status node_exporter
3curl http://127.0.0.1:9100/metrics
4

如果是通过局域网直连,再从监控主机测试 http://192.168.42.145:9100/metrics;目标端防火墙应仅放行监控主机需要的访问,不要为测试把 9100 直接开放给整个公网。

这里需要补一步:enable 只设置开机自启,并不会立即运行服务。创建用户和单元文件之后,还要执行启动命令,再查看状态、访问 9100 端口。原文截图对应的是 Node Exporter 页面,页面能显示并不等于 Prometheus 已经开始采集。

2 配置 Prometheus scrape_configs 与静态目标

切回监控主机 192.168.42.140,进入真实的 Prometheus 配置目录,编辑 prometheus.yml。原文用的是相对文件名,操作前先确认当前目录:

1vi prometheus.yml
2

在已有 scrape_configs 的合适任务里增加下面这段静态目标配置。保留原稿的缩进和标签;它是一个配置片段,不是可以单独覆盖整个 prometheus.yml 的完整文件:

1      - targets: ["192.168.42.145:9100"]
2        labels:
3          app: "node_exporter"
4

配置位置提示:- targets 片段必须放在实际抓取任务的 static_configs 内,例如原文使用的 job_name 所对应位置。完整结构应以现有 prometheus.yml 为准,不要单独把三行粘到文件末尾。在新环境保存后,可以用 promtool check config 验证 YAML 配置。

保存配置,按原文方式重启 Prometheus:

1systemctl restart prometheus
2

原文截图展示了该监控目标被成功采集的界面。排查时建议进一步在 Prometheus 的 Targets 中检查实际状态,并用 up{instance="192.168.42.145:9100"} 判断目标是否可达:值为 1 表示最近一次抓取成功,0 表示抓取失败。

原稿还保留了目标未开放或无法连通时的失败截图,说明“配置了目标”与“目标真正可以访问”是两回事。应分别检查进程、监听端口、主机防火墙和两端路由。

如果两台主机可直接通过 192.168.42.145:9100 通信,到这里就已具备局域网跨主机采集链路。后面的 cpolar 用于监控端无法直接到达另一处内网的目标,而不是所有跨主机监控都必须增加的一层。

3 加载告警规则并接入 Alertmanager

下一步不只是看到一串指标,还要知道指标达到阈值时系统能否识别。需要分清两个组件:Prometheus 定期评估规则,Alertmanager 接收已触发的告警并按配置路由通知。原文截图聚焦的是规则与告警页面,没有完整演示通知渠道的送达过程。

先在监控主机编辑 Prometheus 主配置:

1vi prometheus.yml
2

参考原文截图,在配置中确认告警规则文件被 rule_files 引用,并在确实需要外部通知时填写 Alertmanager 目标:

原文将 CPU、内存阈值规则保存为 3.yml,其示例采用超过 10%、持续 10 秒 的演示条件。下面完整保留原始规则。这个阈值适合观察告警是否产生,不宜不经评估就当作生产环境的高负载阈值;而且规则未用 instance 过滤,若同一任务中有多台主机,可能同时对多台主机评估。

1groups:
2  - name: node-alerts
3    rules:
4      # CPU 使用率 > 10% 持续10s
5      - alert: 高CPU使用率
6        expr: 100 - (avg by (instance, job) (rate(node_cpu_seconds_total{mode="idle"}[5m])) * 100) > 10
7        for: 10s
8        labels:
9          severity: warning
10        annotations:
11          summary: "高CPU使用 {{ $labels.instance }}"
12          description: "CPU大于10% (current value: {{ $value }}%) 超过10s"
13
14      # 内存使用率 > 10%
15      - alert: 内存使用率
16        expr: (1 - (node_memory_MemAvailable_bytes / node_memory_MemTotal_bytes)) * 100 > 10
17        for: 10s
18        labels:
19          severity: warning
20        annotations:
21          summary: "内存使用率过高 {{ $labels.instance }}"
22          description: "内存使用率大于10% (current value: {{ $value }}%) 超过10s"
23

**规则加载与范围提醒:**原文 3.yml 的两条规则没有限定目标实例,且阈值 10% 只是演示。请确认主配置中的 rule_files 引用了该规则文件,并检查目标过滤条件。rule_files 与 alerting 是 Prometheus 主配置中的不同字段。

1# 以下是结构示意,请替换为真实规则文件路径与 Alertmanager 地址
2rule_files:
3  - /实际目录/3.yml
4alerting:
5  alertmanagers:
6    - static_configs:
7        - targets: ["127.0.0.1:9093"]
8
1promtool check config prometheus.yml
2promtool check rules 3.yml
3

如果没有配置接收器和路由,Prometheus 能显示规则与 Firing,也不代表邮件或消息通知已经送达。

确认主配置确实加载了 3.yml,检查 YAML 与规则语法后,再重启 Prometheus:

1systemctl restart prometheus
2

原文展示的是 Prometheus 中能够看到新增规则的状态。这里要分别确认规则已经加载、指标表达式有结果,以及告警是否进入 Pending 或 Firing;它们不是同一件事。

告警界面截图如下。for: 10s 指条件需要保持一定时间,实际状态变化也受规则评估间隔和抓取频率影响。

到这一步,原文所展示的目标采集和规则评估就完成了。若希望收到邮件或其他消息,还需要验证 Prometheus 到 Alertmanager 的连接,以及 Alertmanager 接收器、路由和通知渠道。

4 在目标端安装 cpolar 作为跨网络入口

如果监控中心与被监控主机不在同一个可直接访问的网络中,可以在 192.168.42.145 被监控主机上安装 cpolar。它负责提供从公网访问本地 9100 服务的网络入口;Node Exporter 仍负责指标采集,Prometheus 仍负责主动抓取。

下列操作应在被监控端进行,不是在 Prometheus 监控端安装一份就自动打通目标:

按原文安装命令部署 cpolar。安装脚本来自在线地址,正式环境使用前应核查来源及脚本内容;原始命令照录,并不代表已在本次改写中重新执行:

1sudo curl https://get.cpolar.sh | sh
2

然后查看 cpolar 服务状态,确认客户端进程是否正常运行:

1sudo systemctl status cpolar
2

在同一个局域网内的电脑浏览器中访问被监控主机的 9200 管理端口,例如 http://192.168.42.145:9200。原文该处链接显示的 IP 与实际链接地址不一致,改写正文以被监控端地址说明;不要把 localhost 当作远程机器的 IP。

用自己的 cpolar 账号登录管理页面,进入隧道配置。9200 是管理界面端口,不是待抓取指标的 9100 端口。

5 将 Node Exporter 9100 端口映射到公网

进入 cpolar Web UI 的 隧道管理 → 创建隧道,设置一条专门转发 Node Exporter 的隧道:

  • 隧道名称:例如 node_exporter,注意避免与已有名称冲突。
  • 协议:http。
  • 本地地址:9100,即 Node Exporter 监听端口。
  • 域名类型:先用随机域名验证。
  • 地区:原稿选择 China TOP,以实际控制台可选项为准。

创建后到 在线隧道列表 查看随机生成的公网地址:

原文给出了公网访问页面的截图。建议测试时打开 https://实际公网域名/metrics,确认看到指标文本;仅打开根路径,不能代替对 /metrics 的检查。

6 配置 Prometheus HTTPS 公网抓取目标

回到监控主机,编辑实际生效的 prometheus.yml:

1vi prometheus.yml
2

原文的随机域名示例是 1a0f75b.r2.cpolar.top。下面的配置片段保留原样用于对照,但域名应以你自己的隧道列表为准;尤其要留意 Prometheus 默认按 HTTP 抓取,如果采用 cpolar 的 HTTPS 地址,必须在相应 scrape_config 中明确设置 scheme: https。

1      - targets: ["1a0f75b.r2.cpolar.top"]
2        labels:
3          app: "node_exporter"
4

**HTTPS 抓取补充:**原文代码是 targets 片段,未展示所选公网 URL 的协议。若在线隧道列表中复制的是 HTTPS 地址,Prometheus 应使用 scheme: https,targets 中填写实际域名(含非默认端口时也需带端口),不要写入 https:// 前缀。以下为单独任务的示意,不能与同一目标的旧内网任务重复混淆:

1- job_name: "node_exporter_public"
2  scheme: https
3  metrics_path: /metrics
4  static_configs:
5    - targets: ["你的实际公网域名"]
6      labels:
7        app: "node_exporter"
8

**安全提醒:**Node Exporter 指标可能包含主机信息,HTTPS 仅保护传输,不等于提供应用级访问鉴权。不要将无访问限制的 /metrics 直接暴露给所有公网访客;优先使用受限网络、鉴权代理或隧道访问控制。

更新配置前先核对当前公网 URL 的协议、域名和端口,再按原文重启服务:

1systemctl restart prometheus
2

原稿截图显示这一阶段的抓取结果。建议同时检查 up 指标,观察是否持续成功,而不只是某一次浏览器访问通过。跨网部署还应关注隧道断开、域名变化和超时。

7 预留固定二级子域名及长期采集检查

随机公网地址适合验证,长期监控如果频繁变化,就需要同步修改 Prometheus 的静态抓取目标。保留固定二级子域名可以减少这种配置变化,但它不等于主机、cpolar 和网络永远在线。

进入控制台 预留 → 保留二级子域名,选择与后续隧道匹配的地区,并填写名称。原文示例使用 nodee。注意原稿此处写了 China Vip,后面隧道设置却写 China TOP,实际配置应以预留域名对应地区为准,不能随意混用。

回到本地 cpolar 管理页面,找到 node_exporter 隧道并点击 编辑:

接下来按原文把预留的域名关联到隧道:

  • 域名类型:二级子域名。
  • Sub Domain:填写已预留成功的名称。
  • 地区:选择与刚才预留时相同的地区。

确认无误后点击 更新:

进入在线隧道列表,核对地址已改为预留的固定二级子域名:

原文用固定公网地址打开了 Node Exporter 页面。正式长期监控时,还需把 Prometheus 的目标域名换成当前固定地址,重新验证 /metrics、up 和防护策略。固定域名只解决地址稳定问题,不会自动增加鉴权。

固定地址配置结束后,如果之前的抓取任务使用随机域名,记得将 targets 更新为固定域名并检查 scheme。若隧道已离线,固定域名也无法保证采集成功。

至此,原稿的局域网和跨网络两种采集路径都有了明确的配置步骤。

结尾

本篇完成了两段连通方式的梳理:局域网采集使用 192.168.42.145:9100,跨网采集则需要把公网 URL 正确转化为 Prometheus 的目标、协议及路径配置。只有这条抓取链路持续成功,后续规则评估才有可靠的指标输入。

整套流程可以拆成三层:

  • 采集层:Node Exporter 运行在目标 Linux 主机上,提供 CPU、内存、文件系统、网络等指标。
  • 监控层:Prometheus 用静态目标抓取指标,通过 up、Targets 和 PromQL 检查采集是否正常。
  • 跨网访问层:网络可达时直接使用内网地址;不能直接连通时,再考虑 cpolar 等受控连通方式,并保护指标接口。

实际运维还需要针对业务确定阈值、检查告警通知是否送达、限制 /metrics 的访问范围,并验证持续抓取与故障恢复。原稿中的测试截图提供了操作参照,但不代替新环境的连接和安全检查。

如果后面要增加服务器,也可以沿用“每台主机部署 Exporter,监控中心管理抓取目标”的思路扩展,再考虑 Grafana 展示及更细的告警策略。


参考文档


《Prometheus跨主机监控实战:Node Exporter部署、CPU内存告警与cpolar远程采集》 是转载文章,点击查看原文。


相关推荐


从 0 到 1 手搓 AI 视觉识别平台前端:1,286 路视频、6 大模块、纯 HTML/CSS/JS 实现(附完整思路与代码)
合抱阴阳2026/9/24

摘要:算法能跑通,只完成了 AI 视觉项目的 30%;剩下 70% 是「让人看得懂、用得上」。本文用一个可运行的单文件原型,拆解 AI 视觉识别平台的 6 大核心模块——态势总览、实时预览、事件中心、事件详情与处置、证据档案、检索分析,覆盖 KPI 体系、九宫格预览与检测框叠加、事件处置漏斗、合规化证据归档,以及以文搜图的多模态检索。全文零框架依赖,一个 index.html 双击即开,所有图表用 CSS/SVG 手绘,代码可直接抄进你的项目。 关键词:AI 视觉 · 视频结构化 · 前端


06-并发
前端兰博2026/9/16

一、线程创建 Java中常见创建线程有三种,常见的如下两类 1.1 继承Threa类 public class MyThread extends Thread{ @Override public void run(){ System.out.println("MyThread is running"); } } public static void main(String[] args) { MyThread myThread = new MyT


当 Mac mini 的价格不再 mini -- 肘子的 Swift 周报 #152
东坡肘子2026/9/8

当 Mac mini 的价格不再 mini 上月底,苹果发布了新的 Mac mini 和 Mac Studio。除了强悍的性能更新,明显上涨的价格同样给人带来了不小的震撼。内存与存储成本上涨无疑是本轮涨价的重要原因,但在 AI 时代,开发者对硬件的需求也在悄然发生变化。更大的内存、更高的存储容量,不断推高我们心目中“够用配置”的标准,最终也让实际购买价格变得更加夸张。 过去几个月,开发中最让我头痛的一件事,是 MacBook Pro 风扇持续转动带来的噪音。过去多年的使用中,只有在少数高负载场景


Eino + DeepFlux 实战全景复盘:100 篇,从 5 分钟 Demo 到企业级平台(第100篇-E86)
leeyi2026/8/31

这是第 100 篇,收官篇。不拆新源码——反过来,把 99 篇走过的路和 DeepFlux 这个真实仓库放在一起盘一遍。 (一)100 篇走了哪几步 回头看,系列其实是一条"从外向内、再向外"的路线: 第一季(01-14):从平台往下看。 先拆 DeepFlux 这个企业级平台——DDD 四层、Session 状态机、ReAct 主循环、HITL、SSE 推流、Hook 护栏、多 LLM、RAG、记忆、RLS 多租户、审计、可观测。当时的问题是"企业级 Agent 平台长什么样",答案是 14


FastAPI 后台任务的边界,以及 Celery、Redis 与自建调度系统的选择
卷无止境2026/8/23

FastAPI 的 BackgroundTasks 很轻巧,但它更像是响应发送后的顺手处理机制,并不是一套可靠的任务队列。写日志、发送不太关键的通知、清理临时文件,它用起来很舒服;一旦任务涉及可靠投递、自动重试、跨机器执行、定时调度或运行状态追踪,就该把工作交给 Celery、Redis Streams,或者独立的任务调度服务。 FastAPI 的 BackgroundTasks 做了什么 FastAPI 的 BackgroundTasks 建立在 Starlette 的后台任务机制之上。开发


AI 工具越好用越要严格把控安全边界
MobotStone2026/8/10

前端时间,有个小伙伴问我:“公众号文章、标书这些东西,是不是都可以直接丢给 AI,让它帮忙处理?” 刚听到这个问题,我觉得挺常见。现在大家写文章、改材料、做总结,第一反应就是找 AI,确实能省不少时间。 但继续聊了几句,我才发现,事情没那么简单。 他已经把公司一整份标书上传给 AI 了。 而这份标书里,不只有网上能查到的公司介绍、业务信息,还包括营业执照、员工社保资料,甚至身份证件等敏感材料。 这两类内容,看起来都是“让 AI 帮忙处理文档”,风险却完全不是一个级别。 比如,一篇准备公开发布的公


Linux——基础开发工具(上)
进击的荆棘2026/7/31

💁‍♂️个人主页:进击的荆棘 👇作者其它专栏: 《数据结构与算法》《算法》《C++起始之路》《Linux》 目录 1.软件包管理器 2.编辑器Vim 3.编译器gcc/g++ 4.自动化构建--make/Makefile 5.Linux第一个系统程序--进度条 6.版本控制器Git 7.调试器-gdb/cgdb使用 1.软件包管理器 1.1什么是软件包 ●在Linux下安装软件,一个通常的办法是下载到程序的源代码,并进行编译,得到可执行程序。 ●但


c++11终章
牢姐与蒯2026/7/23

一.lambda 1.lambda的语法 ①.定义 lambda表达式是一个匿名函数对象,跟普通函数只能定义在全局,或者类里不同,它能够定义在函数的内部。 ②.类型 lambda表达式在使用层而言没有类型,一般用auto或者模板参数定义的对象去接收lambda对象。 ③.lambda的格式 表达式格式跟普通函数相比,少了函数名(匿名),多了捕捉列表。 一个小示例: 注:此处修正一下,返回值部分是“->返回值类型”。 2.lambda的用途 从图中可看出利用lam


GitHub 热榜项目 - 周榜(2026-07-11)
CoderJia_2026/7/15

GitHub 热榜项目 - 周榜(2026-07-11) 生成于:2026-07-11 统计摘要 共发现热门项目: 21 个 Token赞助:siliconflow 前些天发现了一个巨牛的人工智能学习网站,通俗易懂,风趣幽默,忍不住分享一下给大家。点击跳转到网站。 本期热点趋势总结 本期 GitHub AI 热榜很清晰:Agent 化、低成本推理、隐私本地化、办公自动化正在加速融合。🧠 代表项目里,addyosmani/agent-skills、alir


Objective-C 之 Block 详解
唐诺2026/7/7

iOS核心技能:Objective-C Block完全详解 从语法到原理,从内存到选型,一篇打通Block所有知识点 Block是Objective-C最核心的特性之一,也是每个iOS开发者必须掌握的知识点。它既是回调利器,也是内存陷阱的高发区。本文将系统讲解Block的一切,并在最后与Method进行全方位对比,帮助你彻底掌握Block的选型与使用。 一、什么是Block? Block是Objective-C对C语言函数指针的扩展,它本质上是一个带有自动变量值的匿名函数对象。简单理解:B

首页编辑器站点地图

本站内容在 CC BY-SA 4.0 协议下发布

Copyright © 2026 聚合阅读