Spring Boot项目里，用oshi-core 6.3.0做个服务器健康监控面板（附完整代码）

Spring Boot集成oshi-core 6.3.0构建企业级服务器监控面板实战

在微服务架构盛行的今天，系统监控已成为保障服务稳定性的关键环节。对于Java开发者而言，如何在Spring Boot项目中快速搭建一套轻量级、低侵入的服务器健康监控系统，是提升运维效率的重要课题。本文将带你从零开始，基于oshi-core 6.3.0打造一个完整的监控解决方案，涵盖数据采集、API封装、可视化展示全流程。

1. 监控系统架构设计

1.1 技术选型与核心组件

现代监控系统通常需要关注四个维度的指标：

• 硬件指标：CPU、内存、磁盘使用率
• 系统指标：OS版本、网络状态
• JVM指标：堆内存、线程数、GC情况
• 应用指标：Spring Bean状态、请求量

我们采用以下技术栈构建监控系统：

1.2 监控数据流设计

完整的监控数据流应包含以下环节：

1. 数据采集层：通过oshi-core获取原始指标
2. 数据处理层：格式化、聚合原始数据
3. 数据存储层：时序数据库存储历史数据（可选）
4. 数据展示层：前端图表实时渲染

// 示例：基础监控领域模型 public class ServerMetrics { private CpuStats cpu; private MemoryStats memory; private List<DiskStats> disks; private SystemInfo system; private JvmStats jvm; // 嵌套静态类定义各指标结构 @Data public static class CpuStats { private int logicalCores; private double systemLoad; private double userLoad; } }

2. 核心监控功能实现

2.1 依赖配置与基础封装

首先在pom.xml中添加必要依赖：

<dependencies> <dependency> <groupId>com.github.oshi</groupId> <artifactId>oshi-core</artifactId> <version>6.3.0</version> </dependency> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-actuator</artifactId> </dependency> </dependencies>

建议采用分层架构设计监控服务：

com.example.monitor ├── service │ ├── HardwareCollector.java # 数据采集 ├── model │ ├── MetricDTO.java # 数据传输对象 ├── controller │ ├── MonitorEndpoint.java # REST接口

2.2 CPU监控实现进阶

oshi-core提供的CPU指标需要二次计算才能得到直观的使用率：

public CpuStats collectCpuMetrics() { SystemInfo si = new SystemInfo(); CentralProcessor cpu = si.getHardware().getProcessor(); // 第一次采样 long[] prevTicks = cpu.getSystemCpuLoadTicks(); Util.sleep(1000); // 等待1秒间隔 // 第二次采样 long[] ticks = cpu.getSystemCpuLoadTicks(); // 计算各状态时间差 long user = ticks[CentralProcessor.TickType.USER.getIndex()] - prevTicks[CentralProcessor.TickType.USER.getIndex()]; long system = ticks[CentralProcessor.TickType.SYSTEM.getIndex()] - prevTicks[CentralProcessor.TickType.SYSTEM.getIndex()]; long idle = ticks[CentralProcessor.TickType.IDLE.getIndex()] - prevTicks[CentralProcessor.TickType.IDLE.getIndex()]; long total = user + system + idle; // 总时间 CpuStats stats = new CpuStats(); stats.setLogicalCores(cpu.getLogicalProcessorCount()); stats.setSystemLoad(system * 100.0 / total); stats.setUserLoad(user * 100.0 / total); return stats; }

注意：Windows和Linux系统获取CPU负载的方式存在差异，oshi-core已做好平台适配

2.3 内存与磁盘监控优化

内存监控需要关注交换分区(swap)的使用情况：

public MemoryStats collectMemoryMetrics() { GlobalMemory memory = new SystemInfo().getHardware().getMemory(); MemoryStats stats = new MemoryStats(); stats.setTotal(formatBytes(memory.getTotal())); stats.setAvailable(formatBytes(memory.getAvailable())); stats.setSwapUsed(formatBytes(memory.getVirtualMemory().getSwapUsed())); return stats; } private String formatBytes(long bytes) { return String.format("%.1f GB", bytes / 1024.0 / 1024 / 1024); }

磁盘监控建议增加以下增强功能：

• 分区inode使用率监控（Linux）
• 磁盘IOPS和吞吐量监控
• 关键目录使用率告警阈值

3. Spring Boot集成方案

3.1 Actuator自定义端点

扩展Actuator提供监控端点：

@Endpoint(id = "server-metrics") @Component public class ServerMetricsEndpoint { private final HardwareCollector collector; @ReadOperation public Map<String, Object> metrics() { Map<String, Object> metrics = new LinkedHashMap<>(); metrics.put("cpu", collector.collectCpuMetrics()); metrics.put("memory", collector.collectMemoryMetrics()); metrics.put("disks", collector.collectDiskMetrics()); return metrics; } }

在application.yml中配置端点暴露：

management: endpoints: web: exposure: include: health,info,server-metrics endpoint: server-metrics: cache: time-to-live: 5s # 5秒缓存防止频繁采集

3.2 监控数据缓存策略

为避免频繁采集带来的性能开销，推荐采用以下缓存方案：

1. Caffeine缓存：适用于单实例部署
2. Redis缓存：适用于集群环境
3. 定时刷新：通过@Scheduled定期更新

@Cacheable(value = "serverMetrics", key = "'current'", cacheManager = "metricsCacheManager") public ServerMetrics getServerMetrics() { // 采集所有指标 return buildCompleteMetrics(); }

4. 可视化仪表板实现

4.1 前端工程搭建

推荐使用Vue3 + ECharts构建监控面板：

// 安装必要依赖 npm install echarts vue-echarts axios

创建核心监控组件：

<template> <div class="monitor-dashboard"> <v-chart class="cpu-chart" :option="cpuOption" /> <v-chart class="memory-chart" :option="memoryOption" /> </div> </template> <script> import { use } from 'echarts/core' import { CanvasRenderer } from 'echarts/renderers' import { LineChart } from 'echarts/charts' import { TitleComponent, TooltipComponent } from 'echarts/components' use([CanvasRenderer, LineChart, TitleComponent, TooltipComponent]) export default { data() { return { cpuOption: { title: { text: 'CPU使用率' }, tooltip: { trigger: 'axis' }, xAxis: { type: 'category' }, yAxis: { type: 'value' }, series: [{ data: [], type: 'line' }] } } }, mounted() { this.fetchData() this.timer = setInterval(this.fetchData, 5000) }, methods: { async fetchData() { const res = await axios.get('/actuator/server-metrics') this.updateCharts(res.data) } } } </script>

4.2 ECharts高级配置

实现动态实时更新的CPU监控图表：

const createRealtimeChart = () => { const option = { animation: false, grid: { top: 40, right: 30, bottom: 30, left: 40 }, xAxis: { type: 'category', boundaryGap: false, data: [] }, yAxis: { max: 100, min: 0 }, series: [ { name: '系统负载', type: 'line', showSymbol: false, data: [] } ] }; const chart = echarts.init(document.getElementById('chart')); chart.setOption(option); // 每5秒更新数据 setInterval(() => { fetchMetrics().then(data => { const now = new Date().toLocaleTimeString(); option.xAxis.data.push(now); option.series[0].data.push(data.cpu.systemLoad); // 保持最近20个数据点 if (option.xAxis.data.length > 20) { option.xAxis.data.shift(); option.series[0].data.shift(); } chart.setOption(option); }); }, 5000); };

5. 生产环境增强建议

5.1 监控指标持久化

对于需要历史数据分析的场景，建议将监控数据存入时序数据库：

// InfluxDB写入示例 @Scheduled(fixedRate = 60000) public void saveMetrics() { ServerMetrics metrics = collector.collectAll(); Point point = Point.measurement("server_metrics") .time(System.currentTimeMillis(), TimeUnit.MILLISECONDS) .addField("cpu_load", metrics.getCpu().getSystemLoad()) .addField("mem_used", metrics.getMemory().getUsed()) .build(); influxDB.write(point); }

5.2 告警规则配置

通过Spring Boot的ApplicationEvent实现阈值告警：

@EventListener public void checkCpuAlert(ServerMetrics metrics) { if (metrics.getCpu().getSystemLoad() > 90) { alertService.sendAlert( "CPU告警", String.format("当前CPU负载 %.1f%%", metrics.getCpu().getSystemLoad()) ); } }

推荐监控阈值参考值：

在实际项目部署时，建议将监控面板集成到内部运维平台，与日志系统、链路追踪系统联动，形成完整的可观测性体系。对于Kubernetes环境，可以结合Prometheus实现更全面的监控方案。