智能诊断

在日常的运维工作中，运维人员需要定期对Elasticsearch集群进行健康检查，以确保业务的稳定运行。然而，传统的手动检查方式不仅耗时耗力，而且容易遗漏关键问题，导致业务长期受到影响。为了解决这一问题，CSS服务提供了智能运维功能，支持定时和手动诊断，涵盖多项关键检测项，如数据节点磁盘使用率检测、集群健康状态检测、节点CPU利用率检测等。通过这些检测，运维人员可以及时发现并处理潜在的风险点，提高集群的可靠性和可用性。此外，智能运维功能默认保留最新的11个报告，确保用户可以随时查看最新的诊断结果，还支持导出报告，方便进一步分析和存档。

约束限制

当集群处于以下“集群状态”时，不支持启用智能诊断功能：集群冻结、集群创建中、创建失败。
当有正在进行中的诊断任务时，不允许重复下发执行手动诊断。
当集群处于变更过程中（如扩容、缩容、规格变更等），智能检测结果可能不准确，建议在变更完成后重新执行诊断任务。
使用智能诊断功能时默认允许系统读取集群及数据配置类相关信息，以进行诊断分析。

诊断模式选型

在执行诊断前，请根据业务场景选择合适的诊断模式。

表1 诊断模式对比
对比维度	定时诊断	手动诊断
触发方式	每日定时自动执行。	用户主动触发，即时执行。
适用场景	日常巡检、建立健康基线、长期趋势观察。	集群出现异常时快速定位问题、变更前后验证集群状态。
推荐人群	运维团队（日常保障）。	研发/运维人员（故障排查）。
诊断类型	全量检测集群不可用检测	全量检测集群不可用检测

诊断项说明

如表2所示列举了智能运维支持的诊断项。

表2 诊断项说明
序号	诊断项名称	检测说明
1	数据节点磁盘使用率检测	检测集群中磁盘使用率最高的数据节点（含冷数据节点），节点磁盘使用率过高将影响集群稳定性。高风险：达到85%时，该节点无法分配新索引的副本。中风险：超过80%时建议立即处理，避免达到故障阈值。
2	数据节点磁盘均衡检测	分别检测数据节点和冷数据节点的磁盘使用均衡性，节点间磁盘使用率差异过大会导致负载不均。高风险：节点间磁盘使用率最大差值 ≥ 40% 中风险：25% ≤ 节点间磁盘使用率最大差值 < 40%
3	大分片分配均衡检测	检测可能导致集群负载不均衡的大索引分片。高风险：分片存储 ≥ 50GB 且索引仅1个主分片。中风险：分片存储 ≥ 50GB 且主分片数不能被数据节点/冷数据节点整除。
4	集群节点配置检测	检测集群节点配置的高可用性。单/双节点风险：不含独立Master节点的集群，数据节点（含冷数据节点）数至少需要3个，以保证单个节点故障时集群仍然可用。主节点过载风险：数据节点 ≥ 10个时需配置独立Master节点，避免主节点负载过高。单Client节点风险：集群仅含1个独立Client节点，可能导致单个Client节点故障后集群无法连接。
5	集群健康状态检测	检测集群索引的整体健康状态。高风险：red，存在未分配的主分片（部分索引不可用）。中风险：yellow，主分片正常但副本分片缺失（高可用性降低）。正常：green，所有主/副本分片正常分配。
6	节点最大分片数检测	检测各个节点当前分配的分片数，防止因分片过多超过限制值（cluster.max_shards_per_node）导致分片无法分配。高风险：节点已分配分片数的最大值 ≥ 节点分片限制的90% 中风险：节点分片限制的85% ≤ 节点已分配分片数的最大值 < 节点分片限制的90%
7	超大分片检测	检测集群中存储容量 ≥ 100GB的分片。分片过大会导致查询延迟增加和故障恢复时间延长，建议单分片容量控制在50GB内。高风险：最大分片 ≥ 500GB 中风险：100GB ≤ 最大分片 < 500GB
8	热索引读写检测（间隔一分钟）	检测最近一分钟内集群查询与写入量最多的索引，降序展示Top10结果。同步检测Top10索引的主分片数是否能被数据节点数或冷数据节点数整除，避免负载不均。
9	失联节点检测	检测集群节点连通状态，节点失联会严重影响集群性能，需优先处理。
10	集群节点连接数均衡检测	检测Client节点（若无则检测数据节点）的9200端口连接数，按连接数降序展示节点连接信息。
11	客户端连接检测（来源IP分析）	检测Client节点（若无则检测数据节点）的9200端口连接，按连接数降序展示所有外部来源IP及Top10连接详情。
12	节点CPU利用率检测（间隔一分钟）	对所有节点采样两次CPU利用率（间隔1分钟），计算每个节点的平均CPU利用率，用于评估节点负载状态。高风险：平均CPU利用率 ≥ 90% 或数据获取失败中风险：80% ≤ 平均CPU利用率 < 90%
13	JVM堆内存使用率检测（间隔一分钟）	对所有节点采样两次JVM堆内存使用率（间隔1分钟），计算每个节点的平均JVM堆内存使用率，用于评估节点负载状态。高风险：平均JVM堆内存使用率 ≥ 90% 或数据获取失败中风险：80% ≤ 平均JVM堆内存使用率 < 90%
14	本地盘集群副本检测	检测本地盘集群中未设置副本的索引，预防节点磁盘故障导致数据丢失。

配置定时诊断

设置每日自动执行诊断任务，无需人工介入，持续监测集群健康风险。

登录云搜索服务管理控制台。
在左侧导航栏，选择“集群管理 > Elasticsearch”。
在集群列表，单击目标集群名称，进入集群详情页。
选择“智能运维 > 智能诊断”。

在智能诊断页面，单击“开启定时诊断”，在对话框中配置定时任务。

表3 开启定时诊断
参数	说明
诊断类型	选择诊断类型。全量检测：全量检测项，支持全选或只选择部分检测项进行检测。集群不可用检测：集群不可用时，使用该诊断类型可以快速诊断集群健康状态。
诊断项	选择需要定时检测的诊断项。当“诊断类型”选择“全量检测”时，支持自定义定时检测的诊断项。当“诊断类型”选择“集群不可用检测”时，默认检测集群不可用分类的检测项。
时区	选择诊断时间对应的时区，基于此时区选择定时诊断的开始时间。
诊断时间	选择每日自动执行智能诊断的时间点。

配置完成后，单击“确定”，保存定时诊断任务。
配置成功后，智能诊断页面会显示定时任务信息，且每日定时诊断报告将自动呈现在下方或“历史报告”中。

图1 查看定时诊断任务

报告中显示高风险项、中风险项、正常项和提示项，及其各检测项的结果和优化建议，优先处理高风险项和中风险项。
在智能诊断页面，管理定时诊断任务，包括修改和关闭定时诊断任务。
- 修改定时诊断任务：单击“修改配置”，在修改定时诊断的对话框中，修改配置，单击“确定”，更新定时诊断策略。
- 关闭定时诊断任务：单击“关闭定时诊断”，在弹窗中单击“确定”，关闭定时诊断。此时，智能诊断页面的定时任务信息将被删除。

执行手动诊断

在集群出现异常或变更操作完成后，立即触发一次诊断，快速定位问题或验证集群状态。

登录云搜索服务管理控制台。
在左侧导航栏，选择“集群管理 > Elasticsearch”。
在集群列表，单击目标集群名称，进入集群详情页。
选择“智能运维 > 智能诊断”。

在智能诊断页面，配置诊断任务，单击“开启诊断”，启动即时诊断任务。

图2 手动诊断

表4 手动诊断
参数	说明
诊断类型	选择诊断类型。全量检测：全量检测项，支持全选或只选择部分检测项进行检测。集群不可用检测：集群不可用时，使用该诊断类型可以快速诊断集群健康状态。
诊断项	选择当前需要检测的诊断项。当“诊断类型”选择“全量检测”时，支持自定义待检测的诊断项。当“诊断类型”选择“集群不可用检测”时，默认检测集群不可用分类的检测项。