内容摘要：凌晨三点十七分，手机在床头柜上震了一下。我眯着眼摸过来，屏幕上弹出一条告警：“主站响应时间超过5000ms，连续3次探测失败。” 这是上个月刚部署的监测系统发来的。翻身坐起来，打开笔记本连上VPN，发

凌晨三点十七分，网站监测手机在床头柜上震了一下。网站监测我眯着眼摸过来，网站监测屏幕上弹出一条告警：“主站响应时间超过5000ms，网站监测连续3次探测失败。网站监测” 这是网站监测上个月刚部署的监测系统发来的。翻身坐起来，网站监测打开笔记本连上VPN，网站监测发现首页确实卡在了数据库连接池满的网站监测状态。从告警到定位问题，网站监测用了不到四分钟。网站监测如果没有这套东西，网站监测这个故障大概会等到早上八点用户投诉才被发现——那时候损失的网站监测可就不只是几分钟的访问量了。

网站监测这件事，网站监测说到底是网站监测跟“看不见”较劲。用户打开页面那一秒，背后跑了多少请求、经过多少节点、哪一段拖了后腿，全在暗处。你坐在办公室里刷着正常打开的首页，可能北京联通用户已经打不开图片了，广州电信的移动端白屏了半分钟。监测要做的，就是把这些散落各处的“暗病”揪出来，摆到台面上。

我见过不少团队的做法：装个开源工具，配几个HTTP状态码检查，就算完事。这跟没做差不了太多。状态码200只代表服务器回了话，不代表页面真的能用。一个电商详情页，接口全通、状态码全绿，但CSS文件加载超时，用户看到的是一堆裸奔的文字和图片——这种故障，普通探针根本测不出来。得用无头浏览器跑完整渲染，把DOM加载、首屏时间、资源瀑布流都拉出来看，才算摸到了门槛。

监测节点的分布也是个容易踩的坑。全放在同一家云厂商的同一区域，等于没测。去年有个客户，监测显示全国可用性99.99%，结果华南用户集体反馈打不开。一查，所有探针都在华东机房，华南的CDN节点早就挂了，没人知道。后来我们在三大运营商、五个地理区域都布了节点，才把这类“局部失明”补上。成本是高了点，但比起用户流失，这笔账不难算。

告警策略更是一门手艺。阈值设太松，故障漏报；设太紧，半夜被误报吵醒。我的习惯是分三级：响应时间超过2秒但可用性正常，发邮件；连续两次探测失败，发短信；核心接口连续三次失败，直接打电话。别小看这个分级，它决定了运维团队能不能睡个整觉。有个做在线教育的朋友，一开始所有告警都走电话，结果团队一个月跑了三个人——全是半夜被CDN抖动叫醒的。后来改成分级，离职率立马下来了。

数据存多久也有讲究。只存最近七天的，排查慢故障时干瞪眼。我们一般保留90天原始数据，聚合数据留一年。去年底有个客户遇到每月最后一天结算时页面变慢的问题，翻出三个月的数据一对比，发现是定时任务和结算逻辑抢数据库连接。这种周期性的毛病，没有长期数据根本找不出来。

说到底，监测不是装个工具就完事。它是一套判断体系：知道该测什么、在哪测、怎么告警、数据留多久。工具只是手脚，脑子还得自己长。凌晨那次告警之后，我把数据库连接池的阈值调低了两百，又加了一条慢查询的监测规则。下次再震， hopefully 是别的事。