資訊中心:可用性監控與告警最容易踩的 7 個坑
坑一:只看狀態碼
頁面返回 200,但內容可能是“資料庫連接失敗”的錯誤頁。
改法: 加內容校驗,檢查頁面是否含關鍵標記(如“聯絡我們”“價格”)或關鍵字符長度。
坑二:閾值太敏感
單次超時就告警,一次網路抖動就觸發十條通知。
改法: 連續 N 次失敗才判定;多地域同時失敗才算站點級故障。
坑三:告警沒人接
告警發到羣裡,所有人以爲別人會處理。
改法: 明確第一響應人與備份人,寫進值班表;15 分鍾未響應自動升級。
坑四:恢復不通知
故障恢復了沒人知道,團隊還在排查。
改法: 恢復自動補發通知,附帶故障持續時長。
坑五:證書沒監控
HTTPS 站點證書到期當天才發現,使用者看到的是安全警告頁。
改法: 每天檢查剩餘天數,14 天警告、7 天嚴重。
坑六:探測頻率過高
30 秒一次探測,自己給自己製造壓力,還可能被目標站防火牆攔截。
改法: 外部撥測 1–5 分鍾,內部指標 1 分鍾,夠用即可。
坑七:生產被測試資料污染
合成事務用真實手機號送出測試,銷售跟進時發現是假單。
改法: 測試資料用固定前綴或專用測試帳號,並在後台過濾。
額外注意:告警風暴
一次資料庫故障可能觸發幾十條告警(每個頁面各一條)。
改法: 做聚合,同一時間窗內同源告警合併爲一條,附帶受影響頁面數。
排查順序:告警不準時先查什麼
- 探測點是否正常(是不是探測方網路問題)。
- 判定規則是否被改過。
- 告警通道是否仍然有效。
- 是否有維護窗口未靜音。
邊界
這些坑修完,監控只能做到“報得準、有人接”。它不保證不漏報——新增頁面、新增依賴都需要同步加入監控清單。
相關閱讀: