告警、服务目标、值班与故障处理
CI/CD、云服务器与生产运维#Python全栈#第二十阶段#CI与CD、云服务器与生产运维#告警、服务目标、值班与故障处理约 895 字 · 3 分钟阅读
追问显示点击任意追问卡片可收起 / 展开
什么样的告警值得立即打断值班人员？
追问 用户无法提交、队列持续积压与 CPU 短暂升高怎样分别处理？每条告警应对应什么具体行动，不能把所有指标阈值都当成紧急故障的原因是什么？
SLI、SLO 与 SLA 分别是什么？
追问 成功率、延迟和报告完成时限怎样定义测量范围与目标？内部工程目标与对外服务承诺为什么需要区分？
错误预算能怎样帮助决定发布与可靠性工作的优先级？
追问 观察窗口、允许失败比例与实际消耗怎样比较？预算消耗过快时应采取什么行动，为什么它不等于允许故意损坏服务？
告警阈值、持续时间与缺失数据怎样设计？
追问 瞬时抖动、低流量比例和长期异常怎样区分？指标采集停止时是否应解释为恢复，怎样避免告警不断触发又恢复？
告警分组、去重、抑制与静默分别适合什么情况？
追问 数据库故障导致大量接口告警时怎样聚合影响？维护窗口怎样设置范围和期限，避免静默掉无关故障或永久隐藏问题？
怎样验证告警链路真的能发现故障并通知正确负责人？
追问 规则触发、通知路由、值班覆盖与恢复信号怎样分段验证？只在看板上看到红色曲线，为什么不能证明通知链路可用？
外部探测与应用内部监控有什么互补作用？
追问 DNS、证书、公网入口、登录与内部健康怎样分别观察？为什么本机健康接口正常时，外部用户仍可能无法使用网站？
Runbook 应怎样帮助值班人员执行第一轮定位与止损？
追问 告警含义、查询入口、最近变更、检查顺序、可执行措施与升级条件怎样整理？为什么不能只有“重启服务”一个动作？
严重故障处理中，怎样分工并控制变更？
追问 影响判断、定位、恢复、记录和状态沟通由谁负责？多人同时修改配置怎样避免相互覆盖，如何优先采取可验证的止损措施？
故障复盘怎样形成可执行改进，而不是只归因于某个人？
追问 触发条件、扩大因素、发现延迟和恢复困难怎样分别分析？改进任务如何指定负责人、期限与验证标准，避免只有模糊的“加强检查”？
告警与目标核对资料： Prometheus：Alerting practices、Alertmanager、Google SRE：Service-Level Objectives、Monitoring Distributed Systems。