可用性监控与告警上线前检查清单:逐项核对

监控上线不等于配完拨测。真正决定它有没有用的是**是否覆盖关键页、是否有人接、是否会吵**。下面按这三条展开。

资讯中心:可用性监控与告警上线前检查清单:逐项核对

覆盖性检查

  • 首页、三个核心栏目页、报价页、咨询页在监控列表中。
  • 表单页有合成事务探测,不只是状态码。
  • 数据库、缓存、证书单独有监控项。
  • 备份任务和定时任务有失败告警。
  • 没有重复监控同一 URL 的冗余规则。

判定合理性检查

  • 单点失败不会立刻触发 P1。
  • 连续失败次数与探测频率匹配(如 1 分钟间隔配 3 次)。
  • 多地域探测至少 2 个节点。
  • 内容校验能识别“200 但页面错误”的情况。
  • 证书按天数分级:14 天警告、7 天严重。

告警通道检查

检查项 通过标准
通道可达 测试消息在 1 分钟内到达
分级正确 P1/P2/P3 分别进不同通道
无重复 同一故障只发一条
恢复通知 恢复后自动补发
可静音 维护窗口能临时关闭

责任与流程检查

  • 值班表已填写,含第一响应人与备份人。
  • 升级路径清晰:15 分钟未响应升级。
  • 告警内容含定位信息(URL、状态码、耗时)。
  • 故障处理有记录模板。
  • P1 故障有复盘会议要求。

噪音检查

  • 最近 7 天告警总数小于 20 条(除真实故障)。
  • 单条规则触发率不超过每小时 1 次。
  • 没有长期被屏蔽的告警通道。
  • 没有“所有人都不看”的告警群。

演练检查

  • 手动停一次应用,确认 5 分钟内收到 P1。
  • 临时改一次证书日期,确认能触发临期告警。
  • 模拟表单提交失败,确认合成事务能发现。
  • 演练后恢复现场,清理测试数据。

文档检查

  • 监控清单有版本与更新日期。
  • 每个监控项写清阈值来源。
  • 故障处理手册可被新人直接执行。
  • 变更记录留痕。

常见遗漏

  • 监控了首页,没监控咨询表单。
  • 告警只发邮件,夜间无人查看。
  • 没有恢复通知,团队靠猜是否恢复。
  • 维护窗口没静音,例行重启制造大量误报。

边界

清单保证监控“能工作”,但不保证“零漏报”。业务变更后需要同步更新监控对象,否则会出现新页面无人监控的空档。

相关阅读: