コラム・情報: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。
- 首页与核心栏目页(可直接访问)。
- 关键业务页:产品页、报价页、咨询表单页。
- 后端依赖:数据库连通、缓存连通、证书有效期。
- 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: