可用性監控與告警:先搞清這 6 個概念

監控的價值不在“能報警”,而在**報得準、有人接、能定位**。先分清六個概念,再談工具選型,能省掉大量無效告警。

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: