生产环境监控：不可忽视的指标

你是从愤怒的客户推文中得知网站宕机的吗？恭喜，你没有监控。或者它配置得太差以至于毫无用处。让我们解决这个问题。

监控仪表板：屏幕上应该显示什么

指标 #1：延迟（响应延迟）

我们测量什么： 从请求到响应的时间。不是平均值，而是百分位数 — p95、p99。

为什么重要： 平均延迟 100ms 可能隐藏了 5% 的用户等待 5 秒的事实。

警报阈值： p95 > 500ms，p99 > 2s。

指标 #2：错误率

我们测量什么： HTTP 5xx 错误与总请求的比率。

为什么重要： 在 10,000 RPS 下 1% 的错误 = 每分钟 100 个用户看到"内部服务器错误"。

警报阈值： 5 分钟内 > 0.5%。

指标 #3：饱和度（资源饱和）

我们测量什么： CPU、RAM、磁盘 I/O、网络连接。

为什么重要： 当 CPU 达到 95% 时，系统已经在失败。你需要在 70% 时就知道。

警报阈值： CPU > 70%，RAM > 85%，磁盘 I/O > 80%。

指标 #4：流量

我们测量什么： RPS（每秒请求数）、活跃用户。

为什么重要： 突然的流量激增可能是 DDoS 攻击或关于你的病毒式帖子。

警报阈值： 10 分钟内偏离基线 > 200%。

工具：使用什么

• Prometheus + Grafana: 指标的黄金标准。开源，灵活。
• Datadog: SaaS"一体化"解决方案。昂贵但方便。
• Zabbix: 适合那些喜欢企业级且不怕复杂性的人。

NineLab 建议: 监控不是"设置后就忘记"。警报需要定期审查。如果你因为误报而在半夜被吵醒 — 你将停止对它们做出反应。

结论： 良好的监控意味着你在问题变成灾难之前就了解它们。设置这 4 个指标，你将睡得安稳。