资讯中心:主机与云服务器选型工具怎么配:从告警到值班
五类基础监控
| 类型 | 看什么 | 常见阈值 |
|---|---|---|
| 可用性 | HTTP 状态、响应时间 | 连续 2 次失败 |
| 资源 | CPU、内存、负载 | 持续 5 分钟超基线 |
| 磁盘 | 使用率、IO | 80% / 90% 两档 |
| 证书 | 到期时间 | 30 天 / 7 天 |
| 备份 | 任务成功、文件大小 | 失败或明显偏小 |
阈值要按自己的基线定,不要照抄别人。
告警渠道
- 邮件:适合记录,不适合紧急故障。
- 短信/电话:适合严重故障。
- 群机器人:适合团队协作。
- 工单:适合跟踪处理。
至少保证严重故障能叫醒人,不要只发到一个没人看的邮箱。
值班规则
- 谁接告警。
- 多久响应。
- 什么情况升级。
- 谁有权限重启、回滚、切流量。
- 故障后谁写记录。
没有值班规则,监控只会制造焦虑。
日志和追踪
- Web 访问日志保留时间。
- 错误日志按天切分。
- 慢查询日志。
- 关键操作审计。
- 请求 ID,方便从错误追到具体请求。
恢复演练
每季度至少做一次:
- 从备份恢复数据库。
- 切一次 CDN 回源。
- 回滚一次代码。
- 验证证书续期。
没演练过的恢复流程,不能算可用。
不要做的事
- 不要只监控首页。
- 不要所有告警都发同一个渠道。
- 不要没有阈值和基线。
- 不要监控了但没人负责。
- 不要用监控代替备份。
监控是发现问题的第一层,恢复能力才是底线。
相关阅读: