博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
zabbix3.2监控Windows网卡流量
阅读量:7047 次
发布时间:2019-06-28

本文共 1388 字,大约阅读时间需要 4 分钟。

当前基于windows2008系统安装配置zabbix客户端,服务端为linux系统

1、设置防火墙规则

开启防火墙入站(tcp和udp)10050端口

2、在zabbix官网上下载windows包

3、安装、启动zabbix客户端

我这里将压缩包解压到了c盘的根目录下,并且我将目录名改成了zabbix

在zabbix目录下有conf和bin两个目录

conf目录下,zabbix_agentd.win.conf文件是客户端配置文件

bin目录下,有win32和win64两个目录,对应当前32位和64位系统

在cmd命令窗口中输入以下命令来安装zabbix客户端服务

c:zabbixbinwin64zabbix_agentd.exe -i -c c:zabbixconfzabbix_agentd.win.conf

启动zabbix服务

c:zabbixbinwin64zabbix_agentd.exe -s -c c:zabbixconfzabbix_agentd.win.conf

PS:附一个卸载服务命令

c:zabbixbinwin64zabbix_agentd.exe -d -c c:zabbixconfzabbix_agentd.win.conf

4、获取windows2008当前网卡参数

同样在cmd命令窗口中执行以下命令,执行完后会在c盘产生一个network.txt文件

typeperf -qx | find "Network Interface" | find "Bytes" > c:network.txt

通过-控制面板-网络和 Internet-网络连接,可以看到当前连接的是哪块网卡

特别注意:通过适配器看到的网卡名称,和通过命令获取到的网卡名称,有些不一样的地方,要以命令获取到的名称为准,不然有些特殊符号是无法识别的,这是个坑。

例如:(R),PRO/1000,在命令获取到的名称中则是[R],PRO_1000。

5、修改客户端配置文件zabbix_agentd.win.conf

Server=服务端IP

Hostname=当前客户端主机名(我这里直接填写的本机IP)

并在最下面添加

PerfCounter = Net_Incoming,"Network Interface(Intel[R] PRO_1000 MT Desktop Adapter)Bytes Received/sec",30

PerfCounter = Net_Outgoing,"Network Interface(Intel[R] PRO_1000 MT Desktop Adapter)Bytes Sent/sec",30

6、重启zabbix客户端服务

在服务器管理器-配置-服务中找到Zabbix Agent重新启动服务

7、服务端验证

在已经搭好的linux服务端上运行下面命令,正常会返回一个数值

zabbix_get -s IP -k "Net_Incoming"

8、zabbix服务端配置

a)新建主机,设置主机名称、可见名称、客户端IP地址

b)创建监控项

设置名称、键值、信息类型、单位、使用自定义倍数(自定义倍数8,单位bps),如果不设置倍数的话,流量默认会以大B单位显示

再创建一个Outbound

c)创建图形

至此配置完成

转载地址:http://ckuol.baihongyu.com/

你可能感兴趣的文章
五步教你使用JCS快速搭建缓存环境
查看>>
XenApp_XenDesktop_7.6实战篇之四:AD、DNS服务器高级配置
查看>>
利用IPSec使用策略和规则提升网络安全性
查看>>
虚拟资源引流变现
查看>>
015 有趣的查询条件
查看>>
Delphi下使用指针的简单总结
查看>>
iBatis2配置
查看>>
摩卡端到端监控管理(Mocha E2E)解决方案
查看>>
YUM安装LNMP架构
查看>>
ISA Server 2006 安全保障指南
查看>>
iOS APP提交上架最新流程(转)
查看>>
电力基本知识
查看>>
git合并历史提交
查看>>
使用glPushMatrix和glPopMatrix的原因
查看>>
Android 开发之旅:又见Hello World!
查看>>
c++ 中__declspec 的用法
查看>>
HTTP status code
查看>>
往服务器上传个文件只要不到10毫秒,往数据库写条记录却要10秒
查看>>
npm太慢, 淘宝npm镜像使用方法
查看>>
TensorFlow高层次机器学习API (tf.contrib.learn)
查看>>