僵尸进程不耗资源但占pid，超阈值致系统“窒息”；应分三级告警：≥1个即日志通知，≥5个或5分钟增≥3个则邮件短信，≥10个持续10分钟可自动重启可控父服务；统计须用ps -a -ostat | grep -c '^z'防误判，告警需含僵尸列表、父进程状态及新增趋势，并设静默窗口与恢复确认。
僵尸进程本身不消耗CPU或内存，但会持续占用PID和进程表项。一旦数量上升，系统可能因无法分配新PID而拒绝创建进程——表面正常，实则已濒临“窒息”。所以监控核心不是看它多“活跃”，而是数它多“扎堆”；通知机制的关键，在于用合理阈值触发及时干预。
阈值怎么设才合理
单个僵尸进程出现即需关注，因为它暴露了父进程回收逻辑缺陷；但真正影响系统的是累积效应。推荐分层设置：
- 一级预警：发现 ≥1 个僵尸进程，立即记录日志并触发轻量通知（如企业微信/钉钉机器人），用于快速定位根因
- 二级告警：5分钟内新增 ≥3 个，或当前总数 ≥5 个，触发邮件+短信双通道报警，提示需人工介入
- 三级阻断：连续10分钟总数 ≥10，可联动执行自动重启父服务（仅限已知可控服务，如 nginx、redis），避免手动响应延迟
怎么准确数出僵尸数量
别只依赖 ps aux | grep 'Z'，它容易误匹配命令行含字母 z 的进程。更可靠的方式是直接读取进程状态字段：
-
ps -A -ostat,pid,ppid,cmd | grep -w 'Z'——-w确保只匹配完整单词 Z，排除干扰 -
ps -eo stat,pid,ppid,comm | awk '$1 ~ /^Z/ {print}'—— 用stat字段开头为 Z 判定，最精准 - 统计总数：
ps -A -ostat | grep -c '^Z'，注意^Z表示行首的 Z，避免统计偏差
通知脚本要带上下文才管用
光说“有5个僵尸”没意义。一次有效的告警至少应包含三类信息：
- 当前僵尸列表：PID、父进程PPID、对应命令（
ps -eo pid,ppid,state,comm | awk '$3=="Z"'） - 父进程状态快照：比如
ps -p [PPID] -o pid,ppid,state,comm,etime，看父进程是否僵死或长时间运行 - 最近1分钟新增趋势：对比上一轮检查结果，判断是突发还是持续增长
把这些拼成一段结构化文本，再通过 mail -s 或调用 Webhook 发送，运维人员打开就能动手，不用再查一遍。
别让通知变成噪音
高频轮询+无抑制机制，很容易导致告警轰炸。建议加两道过滤：
- 静默窗口：同一父进程引发的僵尸，10分钟内重复告警只发一次
- 恢复确认：当僵尸数回落到0并维持2分钟，自动发送“已恢复”通知，闭环可追踪
- 分级路由：开发环境只推钉钉；生产环境必须邮件+短信+值班电话语音呼叫
不复杂但容易忽略。
