可用性监控与告警:先搞清这 6 个概念

监控的价值不在“能报警”,而在**报得准、有人接、能定位**。先分清六个概念,再谈工具选型,能省掉大量无效告警。

资讯中心:可用性监控与告警:先搞清这 6 个概念

概念一:探测方式

  • 外部拨测:从公网模拟用户访问,看真实可达性。
  • 内部采集:从服务器内部读指标,看资源与进程状态。
  • 合成事务:走完整流程(登录、下单),看业务可用。

外部拨测管“用户能不能进来”,内部采集管“里面发生了什么”,两者都要有。

概念二:可用性指标

指标 含义 常用阈值
可用率 周期内可访问时间占比 月 99.9%
响应时间 首字节或完整响应耗时 P95 小于 2 秒
错误率 5xx 占比 小于 0.5%
恢复时间 从告警到恢复 小于 30 分钟

阈值按业务定,不要照抄别人的数字。

概念三:阈值与判定

单点失败就报警,是告警噪音的主要来源。常见做法:

  • 连续 N 次失败才判定故障,过滤瞬时抖动。
  • 多地域探测同时失败,排除单线路问题。
  • 分层判定:先看入口,再看应用,最后看依赖。

概念四:告警通道

  • 即时通道(IM、短信)用于必须马上处理的故障。
  • 汇总通道(邮件日报)用于趋势与巡检结果。
  • 同一故障只发一次,恢复时补一条恢复通知。

告警渠道越多不代表越可靠,反而容易漏看。

概念五:值班与升级

  • 明确第一响应人和备份人。
  • 定义升级时限:15 分钟未响应自动升级。
  • 记录每次处理的开始、定位、恢复时间。

没有人接的告警等于没有告警。

概念六:复盘

  • 每次 P1 故障输出一页纸:影响范围、根因、临时措施、长期措施。
  • 把重复出现的故障转成监控项,而不是靠人盯。
  • 每季度清理一次长期无触发的告警规则。

常见误区

  • 只监控首页,不监控关键业务页。
  • 只监控 HTTP 状态码,不看内容是否正常。
  • 告警发到群里,没有责任人。
  • 监控频率过高,自己把自己打成 DDoS。

边界

监控能缩短发现时间,不能消除故障。它的合理预期是“更早发现、更快定位”,而不是“不出问题”。

相关阅读: