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: