外部网站监测公告

外部网站监测公告

上周三凌晨两点十七分，外部网站我盯着监控大屏，监测眼睁睁看着一家客户的公告电商平台在东京节点响应时间从1.2秒飙到8.7秒。那不是外部网站网络波动，是监测他们的CDN供应商悄悄把某个边缘节点撤了。没人通知我们，公告也没人通知客户。外部网站这种事儿，监测外部网站监测要是公告没做到位，你连自己是外部网站怎么死的都不知道。

所以我们今天发这个公告，监测就一件事：从下个月一号起，公告所有对外服务的外部网站网站，监测频率从每五分钟一次改成每三十秒一次。监测别嫌频繁，公告去年双十一那晚，有个客户的主站挂了整整四分钟，我们愣是没在第一时间发现，因为五分钟的监测周期里，那个故障恰好卡在两次检测的缝隙间。四分钟，对一家做秒杀活动的电商来说，足够流失掉几十万订单。

很多人觉得监测就是“能打开就行”。真不是。HTTP返回200不代表页面正常，可能你的登录接口已经报错三天了，只是没人点登录按钮而已。我们上个月给一家银行做巡检，发现他们的转账页面在iOS 17.2的Safari下白屏，但电脑上完全正常。这种问题，靠人工点两下根本测不出来。所以新的监测体系里，我们加了真实浏览器脚本，模拟用户操作，不光看页面能不能打开，还要看能不能完成一次搜索、一次加购、一次提交表单。

另外，告警阈值也调整了。之前是连续三次失败才触发通知，现在改成两次，而且加了分级——首页挂了是红色告警，直接打电话给值班人；某个API响应慢了是黄色告警，推送到钉钉群就行。别担心误报太多把人搞疲劳，我们给每个站点都建立了七天滚动基线，跟历史表现比，不是跟一个死标准比。比如一个平时响应0.3秒的页面，突然变成1.5秒，那肯定有问题；但另一个本来就慢的页面，从3秒变成3.2秒，那就不值得半夜把运维叫起来。

还有件事得说清楚。外部监测和内部监控不一样，内部监控看的是服务器CPU、内存、磁盘，那是你自己的机房。外部监测是从用户的角度看，从不同的城市、不同的运营商、不同的设备去访问你的网站。这两个视角经常对不上。我们见过一个案例，内部监控一切正常，但用户投诉网页打不开，查了半天，是某个省份的DNS解析被污染了。内部监控根本看不到这层，只有外部监测点才能发现。

费用方面，这次升级不增加客户成本。我们重新谈了云厂商的价格，把一些冗余的监测点砍掉了，比如那些半年都没触发过任何异常的节点。保留的监测点覆盖了国内主要城市和海外几个核心区域——新加坡、法兰克福、弗吉尼亚。够用了，监测不是越多越好，关键是每个点都能提供有效信息。你放一百个监测点在同一个机房，跟放一个有什么区别？

最后说下公告的时效。下个月一号上线，但本周五之前，我们会把每个站点的监测频率调整清单发到各位邮箱，你如果觉得某些页面不需要这么高频的监测，比如那个十年没更新过的“关于我们”页，可以在周四前回复邮件说明，我们酌情调整。但记住，一旦你选了降频，出了问题自己担着。我们该提醒的提醒了，该做监测的做了，剩下的，是你们的业务判断。

就这样。有问题找值班群，别发邮件，邮件没人看。