資訊中心:可用性監控與告警:先搞清這 6 個概念
概念一:探測方式
- 外部撥測:從公網模擬使用者訪問,看真實可達性。
- 內部採集:從伺服器內部讀指標,看資源與行程狀態。
- 合成事務:走完整流程(登入、下單),看業務可用。
外部撥測管“使用者能不能進來”,內部採集管“裡面發生了什麼”,兩者都要有。
概念二:可用性指標
| 指標 | 含義 | 常用閾值 |
|---|---|---|
| 可用率 | 週期內可訪問時間佔比 | 月 99.9% |
| 響應時間 | 首字節或完整響應耗時 | P95 小於 2 秒 |
| 錯誤率 | 5xx 佔比 | 小於 0.5% |
| 恢復時間 | 從告警到恢復 | 小於 30 分鍾 |
閾值按業務定,不要照抄別人的數字。
概念三:閾值與判定
單點失敗就報警,是告警噪音的主要來源。常見做法:
- 連續 N 次失敗才判定故障,過濾瞬時抖動。
- 多地域探測同時失敗,排除單線路問題。
- 分層判定:先看入口,再看應用,最後看依賴。
概念四:告警通道
- 即時通道(IM、簡訊)用於必須馬上處理的故障。
- 匯總通道(郵件日報)用於趨勢與巡檢結果。
- 同一故障只發一次,恢復時補一條恢復通知。
告警渠道越多不代表越可靠,反而容易漏看。
概念五:值班與升級
- 明確第一響應人和備份人。
- 定義升級時限:15 分鍾未響應自動升級。
- 記錄每次處理的開始、定位、恢復時間。
沒有人接的告警等於沒有告警。
概念六:復盤
- 每次 P1 故障輸出一頁紙:影響範圍、根因、臨時措施、長期措施。
- 把重複出現的故障轉成監控項,而不是靠人盯。
- 每季度清理一次長期無觸發的告警規則。
常見誤區
- 只監控首頁,不監控關鍵業務頁。
- 只監控 HTTP 狀態碼,不看內容是否正常。
- 告警發到羣裡,沒有責任人。
- 監控頻率過高,自己把自己打成 DDoS。
邊界
監控能縮短發現時間,不能消除故障。它的合理預期是“更早發現、更快定位”,而不是“不出問題”。
相關閱讀: