在用户投诉之前，您如何检测问题？

Question

在用户投诉之前，您如何检测问题？

IT Interview Practice · Accepted Answer

目标是在**页面加载前**捕捉问题——在还有余量吸收的时候发现性能下降。这意味着观察**领先指标**、定义**带有错误预算的 SLO**，以及主动探测系统而不是等待失败。

## SLO 和错误预算

**SLO** 将可靠性转化为一个数字（例如 99.9% 的请求成功）。剩余的 0.1% 是您的**错误预算**。追踪**消耗速率**让您在消耗预算太快时发出警报——远在您实际违反 SLO 和用户注意到之前。

```text
SLO 99.9% → 0.1% error budget/month (~43 min of downtime)
burn rate rising fast → you'll exhaust it in 2 days → alert NOW, while it's fixable
```

## 主动探测，而不仅仅是被动指标

```text
SYNTHETIC MONITORING  scripted checks hit critical paths on a schedule
                      (login, checkout) → fails even at 3am with zero real traffic
HEALTH CHECKS         /healthz endpoints + dependency checks → load balancer
                      pulls bad instances before users hit them
RUM (real-user mon.)  measure latency/errors from actual browsers/devices →
                      catches issues only some users/regions see
```

综合监测的强大之处在于它不等待用户——它持续对系统进行测试，因此一个损坏的结账流程会在凌晨 3 点被发现，而不是当早间高峰期用户投诉时。

## 领先指标和趋势

最早的迹象出现在资源中，而不是用户面向的错误中。对**趋势**进行警报，而不仅仅是静态线。

```text
LEADING INDICATORS   saturation (CPU/mem climbing), queue depth growing,
                     connection-pool nearing limit, latency CREEPING up
ANOMALY DETECTION    flag deviation from the normal baseline / seasonality
TREND ALERTS         "disk will fill in 4h at this rate" → act before it's full
```

缓慢上升的 p99 或不断增长的队列是一个警告信号：通过对蔓延采取行动，您可以防止蔓延本来会导致的故障。

## 为什么这很重要

被动监测意味着用户是您的告警系统——等到他们投诉时，事件已经在线，您的错误预算已经耗尽。主动检测（SLO 消耗速率、综合监测、健康检查、RUM、领先指标、趋势/异常警报）争取了提前时间：您在饱和队列或蔓延延迟变成凌晨 2 点的告页和愤怒的客户之前修复它。这个提前时间是静悄悄修复和一次中断之间的区别。

SLO 和错误预算

主动探测，而不仅仅是被动指标

领先指标和趋势

为什么这很重要

相关问题