狀態頁為什麼重要?從事故通報到建置

設計主服務故障時仍能查閱和更新的狀態頁,依使用者需求拆分服務,並把監控證據整理成清楚的事故通報。

最佳實務
多個地區的服務與中央儀表板相連的插圖

某個區域的結帳請求開始逾時。值班人員看得到探測失敗,但客戶想知道的是訂單有沒有送成功。狀態頁把影響範圍、最新確認的資訊與下次更新時間放在同一個地方,讓客服和客戶查閱同一份進展。診斷細節則留給事故處理團隊。

狀態頁有兩條路徑要能運作。服務出問題時,客戶要能開啟頁面,有權限的值班人員也要能發布更新。選擇設計與託管方案以前,先把兩條路徑走一遍。

主服務停擺時,狀態頁仍要能開啟

status.example.com 容易記,但主服務出問題時能不能開啟,要看它依賴哪些系統。即使使用不同的託管環境,仍可能共用權威 DNS、CDN 帳號或發布人員用來登入的身分提供者。從外部網路測試能否查閱,再演練主站或平常使用的登入系統中斷時,發布人員能否更新。備用的通報管道也應事先核准,寫進處置手冊。

完全自行開發可以控制發布流程,託管、更新與憑證也要自己維護。自架開放原始碼方案能省下部分開發,但仍需維運。使用託管服務時,供應商負責約定範圍內的運作,網域設定、權限與發布程序仍要安排。依想隔離的故障來比較各方案的分工。 Atlassian 事故溝通指南(英文)

依使用者要做的事拆分服務

用「結帳」「訂單紀錄」「API」等使用者認得的功能當作元件。若地區或產品不同會影響使用者能採取的動作,也把範圍標清楚。付款失敗但訂單紀錄仍可查時,把兩個元件分開顯示,比一條整站異常橫幅更有用。讓手機使用者能迅速找到目前影響與最新通報。品牌色和標誌有助於辨識,頁面還要容易閱讀、載入迅速。

公開頁寫清楚影響範圍、可提供的替代方式和下次更新時間。個別帳號的調查結果、請求識別碼、內部診斷資料要透過適當管道傳遞。未列出網址的頁面仍可透過連結分享。只給特定客戶或團隊看的內容,要選擇能限制存取對象的方案。

從監控證據整理出一則通報

以一個假想的結帳事故為例。每分鐘執行的 HTTP 探測從新加坡執行時,在 10:01 和 10:02 UTC 連續失敗,從東京執行則通過。在此範例中,兩次失敗會通知值班人員。到 10:04 UTC,正式環境的請求資料確認新加坡有結帳逾時,且訂單紀錄仍可查閱,通報負責人就能發布已確認的使用者影響。探測失敗本身只代表某個地點的某項測試未通過。

時間(UTC) 公開通報範例
10:05 我們正在調查新加坡的結帳逾時。訂單紀錄仍可查閱。下次更新不晚於 10:20 UTC。
10:20 我們已採取緩解措施,正在確認結帳結果。下次更新不晚於 10:35 UTC。
10:35 新加坡的結帳已復原。我們已確認截至 10:35 UTC 前 15 分鐘的結帳結果正常。若仍有問題,請聯絡客服。

每 15 分鐘更新一次,以及連續 15 分鐘確認復原,都是此範例的選擇。實際節奏依使用者受到的影響和需要做的決定來定。預先指定通報負責人與代理人。即使還無法估計復原時間,也可以先公布已確認的事實與下次更新時間。 Google SRE 事故回應分工與通報指南(英文)

分開顯示元件狀態和事故紀錄

觀測雲 HTTP 合成監測(簡體中文)的結果可作為調查線索。若使用觀測雲自訂狀態頁(簡體中文),設定人員需要頁面設定權限及服務水準目標(SLO)的讀取權限。公開頁面前,至少要有一項對外顯示的服務,關聯已啟用且未設定分組維度的 SLO。服務狀態依關聯 SLO 的達成率及門檻判定。已公開的維護紀錄可在指定業務日期把受影響的服務標成維護中。事故紀錄則用來說明客戶遇到的問題和團隊的處理進度。

發布事故紀錄時,關聯同一工作空間中自己有權讀取的公開筆記。如果來源筆記已關聯到公開發布的狀態頁紀錄,儲存修改後的標題或內文,公開頁面就會顯示最新內容。要改業務日期、受影響的服務或顯示設定,則需要更新發布。依操作類型確認文字和頁面預覽。即使較長週期的 SLO 仍達標,也可以用事故紀錄說明其中一次實際的結帳中斷。

在出事之前讓使用者找得到

把連結放在說明中心和頁尾,讓客服回覆時也用同一個網址。演練有權限的值班人員從草稿發布更新,再從外部連線核對公開頁。訂出事故紀錄的保存期限,並說明可用性圖表涵蓋哪些元件和期間。圖表顯示的區間和事故紀錄的保存期限要分開說明。

服務狀態頁的基本概念 · 狀態頁設計案例 · 事故通報範本

取得專屬方案

聯絡我們

加入社群

微信扫码
加入官方交流群

立即體驗

在线开通,按量计费,真正的云服务!

立即開始

选择观测云版本

代码托管平台