可用性监控与告警最容易踩的 7 个坑

监控配完就没人管,是运维里最常见的情况。下面七个坑,每一个都会让告警要么吵、要么漏。

资讯中心:可用性监控与告警最容易踩的 7 个坑

坑一:只看状态码

页面返回 200,但内容可能是“数据库连接失败”的错误页。

改法: 加内容校验,检查页面是否含关键标记(如“联系我们”“价格”)或关键字符长度。

坑二:阈值太敏感

单次超时就告警,一次网络抖动就触发十条通知。

改法: 连续 N 次失败才判定;多地域同时失败才算站点级故障。

坑三:告警没人接

告警发到群里,所有人以为别人会处理。

改法: 明确第一响应人与备份人,写进值班表;15 分钟未响应自动升级。

坑四:恢复不通知

故障恢复了没人知道,团队还在排查。

改法: 恢复自动补发通知,附带故障持续时长。

坑五:证书没监控

HTTPS 站点证书到期当天才发现,用户看到的是安全警告页。

改法: 每天检查剩余天数,14 天警告、7 天严重。

坑六:探测频率过高

30 秒一次探测,自己给自己制造压力,还可能被目标站防火墙拦截。

改法: 外部拨测 1–5 分钟,内部指标 1 分钟,够用即可。

坑七:生产被测试数据污染

合成事务用真实手机号提交测试,销售跟进时发现是假单。

改法: 测试数据用固定前缀或专用测试账号,并在后台过滤。

额外注意:告警风暴

一次数据库故障可能触发几十条告警(每个页面各一条)。

改法: 做聚合,同一时间窗内同源告警合并为一条,附带受影响页面数。

排查顺序:告警不准时先查什么

  1. 探测点是否正常(是不是探测方网络问题)。
  2. 判定规则是否被改过。
  3. 告警通道是否仍然有效。
  4. 是否有维护窗口未静音。

边界

这些坑修完,监控只能做到“报得准、有人接”。它不保证不漏报——新增页面、新增依赖都需要同步加入监控清单。

相关阅读: