可用性监控与告警怎么做:一份可执行的配置顺序

监控配错顺序,会导致先有一堆告警、后才发现没监控关键页。正确顺序是**先定对象,再定判定,最后定通知**。

资讯中心:可用性监控与告警怎么做:一份可执行的配置顺序

第一步:确定监控对象

按业务重要性排序,先做前三类。

  1. 首页与核心栏目页(可直接访问)。
  2. 关键业务页:产品页、报价页、咨询表单页。
  3. 后端依赖:数据库连通、缓存连通、证书有效期。
  4. 次要:静态资源、备份任务、定时任务。

一页一页列出来,不要按“感觉”配。

第二步:选择探测方式与频率

对象 方式 频率 备注
首页 外部拨测,多地域 1–5 分钟 至少 2 个地域
表单页 合成事务(提交测试数据) 5–15 分钟 测试数据要能被过滤
数据库 内部连接探测 1 分钟 只跑轻量查询
证书 到期天数检查 每天一次 提前 30 天告警

频率过高会给自己制造压力,也会被目标站当成异常流量。

第三步:设定判定规则

  • 连续失败次数:3 次(1 分钟间隔)才判定故障。
  • 多地域确认:2 个以上地域同时失败才算站点级故障。
  • 内容校验:状态码 200 之外,检查页面是否含关键标记(如“联系我们”标题)。
  • 证书判定:剩余天数小于 14 天为警告,小于 7 天为严重。

第四步:告警分级与通道

级别 触发条件 通道 响应时限
P1 站点不可访问、支付/表单不可用 IM + 电话 15 分钟
P2 单页 5xx、响应超时 IM 1 小时
P3 证书临期、备份失败 邮件 + 日报 24 小时
信息 例行巡检结果 日报 不需要

同一故障合并为一条告警,恢复时补发恢复通知,避免刷屏。

第五步:接值班与升级

  • 指定第一响应人与备份人,写进值班表。
  • 设置升级规则:15 分钟未响应升级到负责人,30 分钟升级到管理层。
  • 告警里带定位信息:URL、状态码、耗时、探测地域。

第六步:建复盘机制

  • 每次 P1/P2 故障记录:开始时间、发现时间、恢复时间、根因。
  • 把“人发现的故障”转成“监控能发现的项”。
  • 每季度清理一次误报规则,把长期不触发的规则重新评估。

常见配错

  • 只配状态码,页面返回 200 但内容是错误页。
  • 告警发到无人值守的群。
  • 探测频率 30 秒一次,误报不断,最后全员屏蔽。
  • 忘记监控证书,到期当天才发现。

验收标准

  • 核心页面全部在监控列表内。
  • 模拟一次故障,能在 5 分钟内收到告警并定位。
  • 一周内 P1 误报不超过 1 次。
  • 告警有明确责任人。

相关阅读: