这四条不是产品亮点,是我们每天真正在执行的操作规范。它们的共同点是:都有具体的时间和次数,可以被外部核对。任何一条要调整,都必须先在状态页公告至少 7 天,再改文案。
12 个入口节点按 30 分钟一轮探测,连续 2 次失败才生成事件单,避免单次网络抖动误报。02:00–06:00 降到 60 分钟一轮,因为这个时段只有 1 名值班工程师在线,巡检跑再快也没人手处理。
P0 全站不可用,5 分钟内响应、60 分钟内给恢复方案;P1 主入口不可用,15 分钟响应;P2 部分线路异常,60 分钟内确认;P3 单线偶发卡顿,4 小时内处理。等级只许上调,不许事后下调。
例行维护固定在每周二 02:00–04:00,提前 24 小时在状态页挂公告。单次维护上限 120 分钟,超过就在窗口中途补发一次进度说明。临时维护一个月不超过 2 次,且必须满足影响面或安全补丁两条之一。
每个故障都有编号,例如 XB-0817,带开始时间、每次更新的时间戳和收尾原因,公开保留 90 天。90 天后只归档成月度摘要——这是目前的限制,完整时间线暂时做不到无限期留存。
补充一句实话: 我们不是 7×24 满编团队。00:00 到 08:00 之间只有 1 名值班工程师,这也是夜班巡检频率降到 60 分钟的直接原因。深夜出现的 P2、P3 故障,可能要等到早上 08:30 交接班才会被真正处理完。这个限制我们写在明面上,不打算用「全天候」三个字盖过去。
可用率按入口节点分钟数统计,不含计划内维护窗口(周二 02:00–04:00)。近 90 天共发生 P0 事件 2 次、P1 事件 5 次、P2 事件 14 次、P3 事件 31 次,全部可在状态页按编号检索。
下面三条评价都来自实际提过事件单的用户,评价内容和时间点可以在状态页编号里对上。我们保留了批评的部分,没有做删改。
7 月 17 日晚上 21:40 全站打不开,我在状态页看到 XB-0817 事件单,21:46 挂出第一版说明,22:31 恢复。整个过程没人踢皮球,公告里直接写了是回源线路切换失败。唯一想吐槽的是恢复后第 10 分钟又抖了一次,虽然很快稳住了。
P2 级别的线路问题我碰到过一次,提交后 52 分钟收到回复,比公告里写的 60 分钟快一点。但慢的时候也有:去年 12 月那次单条线路卡顿,从发现到修好用了 3 小时 40 分,几乎贴着 P3 的 4 小时上限,体验就一般了。
我自己做运维,最看重的是时间线。周二维护窗口几乎每次都 02:00 准时开始,只有一次因为数据库迁移拖到 04:35,多出来的 35 分钟他们在公告里逐条写了卡在哪一步、几点几分在做什么。这种记录方式让我愿意继续用。
下面五个问题都是用户实际问过的、前面正文没有交代清楚的部分。答案同样给到具体数字和限制。