这是 Beta 探索课程,内容结构、实验步骤和示例可能会继续调整。
开始 - 日志监控概述
凌晨两点,支付回调接口开始超时,客服群里全是「订单已扣款但页面显示未支付」的反馈。研发第一反应是登服务器看日志,却立刻卡住:日志散落在多台机器上,得一台台登录;各服务的日志格式还不一样,有的只有一句错误文本;而监控面板上 CPU 一片正常,没有任何人被告知接口已经在大面积超时。这门课就从这个夜晚开始。
先把问题的形状说清楚。这次故障暴露了三个缺口——分散的日志不可用、非结构化日志不可查、只看 CPU 是盲区。而日志、指标、链路追踪这三类数据分别回答「发生了什么具体事件」「系统状态是否异常」「请求经过了哪里」,缺了任何一类都会留下死角;只有靠 service、env、trace_id、timestamp 这些统一字段把三者串起来,才是一条可用的排障路径,而不是三套互不相干的工具。
还要先定义平台自身的指标:采集延迟、丢失率、查询延迟、告警准确率和噪音率。它们不是装饰——采集延迟决定排障时能不能查到「刚刚」的日志,噪音率决定值班的人还信不信这条告警。
读完这一章,你应该能说清可观测系统要交付的三种能力:发现问题、定位问题、复盘问题,并按「先解决日志在哪里,再解决日志能不能被理解,然后提炼指标,最后串起排查流程」的主线,判断后面每一个模块服务的是哪一步。
发现内容有问题?
告诉我们哪里需要改进。
