資訊中心:99% 可用性等於一年宕機 87 小時:網站監控告警該怎麼做
選伺服器時大家都看「可用性 99%」,但很少有人真的換算:99% 意味着一年最多停 87.6 小時,平均每月 7 小時多。99.9% 是 8.76 小時/年,99.99% 是 52 分鍾/年。小數點後面多一位,實際體驗差一個量級。
對多數中小企業官網來說,追求 99.99% 並不經濟。更現實的做法是:接受偶發故障,但把「從故障到發現」的時間壓到 5 分鍾以內。因爲宕機 1 小時和宕機 5 分鍾,對詢盤轉化的影響完全不同。
監控盯三層,別只盯「網站打不開」
- 外部探針:從站外每 1–5 分鍾訪問一次首頁和一個內頁,看 HTTP 狀態碼與響應時間。這是唯一能發現「伺服器活着但服務掛了」的手段;
- 主機資源:CPU、記憶體、磁碟佔用、磁碟 I/O。磁碟 80% 就該報,別等到寫滿;
- 業務指標:5xx 錯誤率、表單送出量驟降、佇列積壓。技術指標全綠但詢盤歸零,說明問題在業務層。
閾值怎麼設才不吵人
告警最怕兩種病:一是從不響,二是天天響。後者會讓所有人開始無視告警,比沒有告警更危險。幾條經驗:
- 分兩級——警告(warning)與嚴重(critical),警告只進羣不發簡訊;
- 加持續時間條件,比如「磁碟 > 85% 持續 10 分鍾」才報,避免一次抖動就刷屏;
- 做去重與靜默:同一故障 30 分鍾內只報一次,處理中手動靜默;
- 報症狀而不是報原因——「5xx 比例超過 1%」比「PHP 行程掛了」更接近使用者感受。
收到告警後的 5 分鍾流程
告警的價值取決於反應速度。建議把處理步驟寫成清單貼在顯眼處:
- 先判斷範圍:只有自己還是全站?單頁還是全站?
- 能連就查資源與日誌,不能連就上服務商控制台重新啟動;
- 確認是否剛改過設定或剛發過版,復原往往比排查快;
- 恢復後 30 分鍾內補一條記錄:幾點發現、幾點恢復、原因、待改進項。
最小可用方案
預算有限時,一個免費的外部探針 + 主機自帶的資源監控 + 一個能收到郵件的告警通道,就能覆蓋 80% 的場景。真正需要花錢的是「有人值班」,而不是工具本身。
順帶一句:監控和備份是兩條腿。只監控不備份,故障時你只能看着它掛;只備份不監控,你可能掛了兩天才知道。備份的落地清單見3-2-1 備份法則,安全側的常見漏項見五個容易被忽視的安全問題。