公司官网半夜挂了没人知道:企业站五条可用性告警落地

    发布时间:2026-10-11 00:11 更新时间:2026-10-11 00:11 阅读量:1

    企业官网的访问曲线通常很规律:白天忙、晚上闲。也正因为晚上没人盯,一次深夜的进程崩溃、磁盘写满或者证书过期,可能要等到第二天上班才被同事或客户告知。对企业来说,这不是技术问题,而是生意问题——潜在客户半夜搜索到你的品牌,点进来是 502,他大概率不会第二天再来一次。

    可用性告警的价值不在于装了多少套监控系统,而在于真正出事时手机能不能响。下面按企业站最常见、最容易被忽略的五类项目逐条拆解,每条给出监控项、阈值思路和告警通道,最后再讲怎么亲手制造一次假故障来验证告警链路。延伸阅读可参考 建站方案 中的整体部署建议。

    五条核心告警:监控什么、阈值怎么定

    第一条,站点返回码。监控目标是首页和一个关键内页(比如产品页或联系页)的 HTTP 状态码,以及响应时间。返回码不是 200 就告警,但要注意区分:502/504 通常代表后端挂了,应立即告警;404 可能是页面被误删,可以归到低优先级;301/302 属于正常跳转,监控脚本里要跟随重定向。阈值建议连续两次探测失败才告警,避免网络抖动造成的误报。探测频率 1 分钟一次对绝大多数企业站够用,频率再高对源站有额外压力,具体以实际流量和预算为准。

    第二条,HTTPS 证书到期。证书过期是所有故障里最容易预防、又最容易翻车的一类。监控项是证书剩余有效天数,阈值一般设 30 天提醒、14 天升级告警、7 天持续告警。之所以留这么长,是因为自动续期可能因为 DNS 校验失败、80 端口被占用、reload 钩子没生效等原因失败,留出人工介入的时间窗口。注意监控的是证书本身的有效期,而不是续期任务有没有跑——任务成功但证书没换上的情况并不少见。

    第三条,磁盘水位。企业站磁盘被写满,常见原因有日志不切割、备份文件堆积、上传附件增长、Docker 镜像与容器日志膨胀。阈值建议 80% 预警、90% 告警。这里有个坑:df -h 看到的是分区使用率,如果数据库或日志目录是单独挂载的,必须对每个挂载点分别设阈值;另外要留意被删除但仍被进程占用的文件,它不会体现在 du 里,却会持续占着空间。

    第四条,关键进程存活。Nginx、PHP-FPM、MySQL 或你的应用进程,任何一个掉了站点都可能不可用。监控方式有两种:一是看进程是否存在,二是直接探测服务端口或健康检查接口。后者更可靠,因为进程在但服务假死的情况确实存在。阈值就是「检测不到即告警」,但要配合重启策略:systemd 服务可以配置自动重启,重启失败后再通知人。

    第五条,备份完成。这是最容易被遗忘的一条。备份任务失败往往悄无声息,等到需要恢复时才发现最近一次可用备份是一个月前。监控项包括:备份任务退出码、备份文件是否生成、文件大小是否在合理区间、以及定期做一次恢复演练。阈值上,只要当天备份文件缺失或大小为 0,就应告警。

    告警通道怎么选,别让告警变成噪音

    告警通道的选择要和企业实际值班方式匹配。常见组合是:企业微信或钉钉群机器人负责日常通知,短信或电话负责夜间紧急告警。如果所有告警都往群里发,很快就会被屏蔽;如果所有告警都发短信,成本高且容易让人麻木。建议按严重级别分流:站点不可用、磁盘 90%、证书 7 天内到期,走电话或短信;证书 30 天提醒、磁盘 80%、备份异常,走 IM 群消息。

    另外两点经验:一是告警内容要带上下文,比如「站点返回码异常:https://www.example.com 返回 502,连续 3 次」,而不是只发一句「监控异常」;二是设置告警收敛,同一故障在 10 分钟内只提醒一次,恢复后再补一条恢复通知。下面是一段最基础的站点探测脚本,可以直接放进 crontab 每分钟跑一次:

    #!/bin/bash
    

    check_site.sh - 站点返回码探测,异常时调用告警脚本

    URL="https://www.example.com/" CODE=$(curl -o /dev/null -s -w "%{http_code}" --max-time 10 "$URL") if [ "$CODE" != "200" ]; then echo "$(date '+%F %T') site down: $URL code=$CODE" >> /var/log/check_site.log

    这里替换成你的告警命令,例如企业微信机器人 webhook

    curl -s -X POST -H 'Content-Type: application/json' \

    -d '{"msgtype":"text","text":{"content":"站点异常 code='"$CODE"'"}}' \

    'https://qyapi.weixin.qq.com/cgi-bin/webhook/send?key=YOUR_KEY'

    fi

    证书检查可以用 openssl 直接读取剩余天数,磁盘和进程检查用 df、systemctl is-active 即可。把这些小脚本统一放到 /opt/monitor/ 下,用 crontab 调度,是成本较低的自建方案。工具选型上,Zabbix、Prometheus + Blackbox Exporter、Uptime Kuma 都能覆盖上述五类需求,团队有人维护就用成熟方案,人手紧张用脚本加云监控也够用。

    动手验证:制造一次假故障,看告警会不会响

    告警配置完不代表它真的会响。很多「监控失效」的事故,本质是告警链路从未被验证过——webhook 地址写错、机器人被移出群、短信余额不足,都可能导致故障期间一片安静。建议上线前和每季度各做一次演练,按下面的清单推进:

    1. 先确认告警通道本身可用:手动触发一次测试消息,确认群里或手机上能收到。
    2. 制造返回码故障:临时把 Nginx 站点根目录改成一个不存在的路径,或用 systemctl stop nginx 停掉服务,等待 1~3 分钟观察是否收到告警。
    3. 制造进程故障:停掉 PHP-FPM 或应用进程,验证进程存活告警与自动重启是否生效。
    4. 制造磁盘水位:用 fallocate 生成一个大文件把使用率推到阈值以上,验证磁盘告警,验证完立即删除。
    5. 制造证书告警:把证书剩余天数阈值临时调高(比如调到 365 天),看是否能触发提醒,再调回正常值。
    6. 制造备份异常:把备份脚本临时改成直接退出,观察当天是否收到备份缺失告警。
    7. 记录每次演练的时间、触发方式和到达时间,形成一份验证记录,方便交接给同事。

    下面这条命令可以快速把磁盘使用率推高,用于验证水位告警,注意文件大小按实际剩余空间调整,验证后务必删除:

    # 生成一个 5G 的占位文件,推高磁盘使用率
    fallocate -l 5G /tmp/disk_test.img
    

    查看当前使用率

    df -h /

    验证完成后删除,恢复磁盘空间

    rm -f /tmp/disk_test.img

    演练时要注意两点:一是尽量在业务低峰期做,避免影响真实访客;二是每项验证都要有明确的开始和结束时间,验证完立刻恢复配置,防止「假故障」变成真故障。演练记录本身也是有价值的资产,它能回答一个关键问题:从故障发生到有人知道,中间隔了多久。

    企业站不需要把监控做成大而全的平台,五条告警覆盖了绝大多数「半夜挂掉没人知道」的场景:返回码看站点是否可访问,证书看 HTTPS 是否还有效,磁盘看还能不能写入,进程看服务是否活着,备份看数据还有没有退路。把这五条配好、阈值定合理、通道分级别,再定期演练验证,投入不大,但能显著缩短故障的发现时间。想进一步了解服务器选型与部署规划,可以看看 客户案例 里的常见架构形态,或从 模板与定制风格 入手了解站点结构对监控项的影响。监控的意义不是永远不出故障,而是故障发生时,你是第一个知道的人。

    准备做网站,先从哪一步开始?

    如果你希望把上面的思路落到自己的行业与目标市场,可以先看 建站方案 了解一站式流程,再对照 客户案例 判断哪些做法适合自己的业务;也可以加微信 tsrz001 沟通需求,把页面结构、预算和排期先聊清楚再动手。

    继续阅读

    📑 📅
    企业站从1台服务器扩到2台:先拆数据库还是先拆静态资源 2026-10-11
    月流量500GB的企业站怎么排带宽档位:从日PV到峰值带宽的换算 2026-10-11
    企业站图片附件放哪:云盘、本地盘与对象存储的成本与迁移账 2026-10-11
    企业站图片体积从2MB降到200KB:压缩、WebP与懒加载落地 2026-10-11
    企业站带宽被谁吃掉了:Nginx日志按URL统计流量占比 2026-10-11
    企业站备份做完就算数吗:每月一次恢复演练的最小可执行流程 2026-10-11
    服务器快照账单越滚越大:企业站备份保留策略与成本压缩思路 2026-10-11
    企业站服务器被挖矿木马占了CPU:排查与加固顺序 2026-10-11
    域名、服务器、备案同时出问题:企业站上线前的兜底推演 2026-10-12
    新服务器首次登录后的账号与密钥整理顺序 2026-10-12