资讯中心:99% 可用性等于一年宕机 87 小时:网站监控告警该怎么做
选服务器时大家都看「可用性 99%」,但很少有人真的换算:99% 意味着一年最多停 87.6 小时,平均每月 7 小时多。99.9% 是 8.76 小时/年,99.99% 是 52 分钟/年。小数点后面多一位,实际体验差一个量级。
对多数中小企业官网来说,追求 99.99% 并不经济。更现实的做法是:接受偶发故障,但把「从故障到发现」的时间压到 5 分钟以内。因为宕机 1 小时和宕机 5 分钟,对询盘转化的影响完全不同。
监控盯三层,别只盯「网站打不开」
- 外部探针:从站外每 1–5 分钟访问一次首页和一个内页,看 HTTP 状态码与响应时间。这是唯一能发现「服务器活着但服务挂了」的手段;
- 主机资源:CPU、内存、磁盘占用、磁盘 I/O。磁盘 80% 就该报,别等到写满;
- 业务指标:5xx 错误率、表单提交量骤降、队列积压。技术指标全绿但询盘归零,说明问题在业务层。
阈值怎么设才不吵人
告警最怕两种病:一是从不响,二是天天响。后者会让所有人开始无视告警,比没有告警更危险。几条经验:
- 分两级——警告(warning)与严重(critical),警告只进群不发短信;
- 加持续时间条件,比如「磁盘 > 85% 持续 10 分钟」才报,避免一次抖动就刷屏;
- 做去重与静默:同一故障 30 分钟内只报一次,处理中手动静默;
- 报症状而不是报原因——「5xx 比例超过 1%」比「PHP 进程挂了」更接近用户感受。
收到告警后的 5 分钟流程
告警的价值取决于反应速度。建议把处理步骤写成清单贴在显眼处:
- 先判断范围:只有自己还是全站?单页还是全站?
- 能连就查资源与日志,不能连就上服务商控制台重启;
- 确认是否刚改过配置或刚发过版,回滚往往比排查快;
- 恢复后 30 分钟内补一条记录:几点发现、几点恢复、原因、待改进项。
最小可用方案
预算有限时,一个免费的外部探针 + 主机自带的资源监控 + 一个能收到邮件的告警通道,就能覆盖 80% 的场景。真正需要花钱的是「有人值班」,而不是工具本身。
顺带一句:监控和备份是两条腿。只监控不备份,故障时你只能看着它挂;只备份不监控,你可能挂了两天才知道。备份的落地清单见3-2-1 备份法则,安全侧的常见漏项见五个容易被忽视的安全问题。