資訊中心:主機與雲伺服器選型工具怎麼配:從告警到值班
五類基礎監控
| 類型 | 看什麼 | 常見閾值 |
|---|---|---|
| 可用性 | HTTP 狀態、響應時間 | 連續 2 次失敗 |
| 資源 | CPU、記憶體、負載 | 持續 5 分鍾超基線 |
| 磁碟 | 使用率、IO | 80% / 90% 兩檔 |
| 證書 | 到期時間 | 30 天 / 7 天 |
| 備份 | 工作成功、檔案大小 | 失敗或明顯偏小 |
閾值要按自己的基線定,不要照抄別人。
告警渠道
- 郵件:適合記錄,不適合緊急故障。
- 簡訊/電話:適合嚴重故障。
- 羣機器人:適合團隊協作。
- 工單:適合跟蹤處理。
至少保證嚴重故障能叫醒人,不要只發到一個沒人看的信箱。
值班規則
- 誰接告警。
- 多久響應。
- 什麼情況升級。
- 誰有權限重新啟動、復原、切流量。
- 故障後誰寫記錄。
沒有值班規則,監控只會製造焦慮。
日誌和追蹤
- Web 訪問日誌保留時間。
- 錯誤日誌按天切分。
- 慢查詢日誌。
- 關鍵操作稽核。
- 請求 ID,方便從錯誤追到具體請求。
恢復演練
每季度至少做一次:
- 從備份恢復資料庫。
- 切一次 CDN 回源。
- 復原一次程式碼。
- 驗證證書續期。
沒演練過的恢復流程,不能算可用。
不要做的事
- 不要只監控首頁。
- 不要所有告警都發同一個渠道。
- 不要沒有閾值和基線。
- 不要監控了但沒人負責。
- 不要用監控代替備份。
監控是發現問題的第一層,恢復能力才是底線。
相關閱讀: