コラム・情報: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: