1.监控的核心能力是什么?
报警的有效覆盖率、线上问题的发现能力以及如何快速定位问题。
2.安全生产的整体目标是什么?
1-5-10,1 分钟发现问题、5 分钟定位问题、10 分钟修复问题。
3.为什么多数故障不能被发现?
业务未接入监控:安全意识缺乏、基础设施并不完备
核心指标未订阅:多数页面引入了监控,但是没有订阅报警,或者指标订阅不全。
监控指标不完整:只关注了页面运行时的异常,没有关注 CDN 节点异常、页面加载白屏、页面执行 Crash 等问题。
4.为什么快速恢复很难?
一个完整的开发流程包含 :开发 -> 发布 -> 线上验证回归流程
如下图所示:
按这个流程很难做到 10 分钟恢复,怎么办呢?
聚焦到页面发布之前的开发阶段和发布阶段:
发布之前:完整的自动化测试流程,例如在发布之前对资源异常、JSError 等做检测拦截。
发布过程:页面发布过程具有可灰度、可监控、可回滚的完整过程。
5.整体方案是什么?