一个人的运维：可用性、告警、事故与值班（10 篇） on PlumePHPhttps://plumephp.com/posts/indie/indie-ops-and-reliability/Recent content in 一个人的运维：可用性、告警、事故与值班（10 篇） on PlumePHPHugozh-CNSun, 25 Oct 2026 00:00:00 +0000运维验收：十项控制、四张表与月度巡检https://plumephp.com/indie-ops-10-ops-acceptance/Sun, 25 Oct 2026 21:45:00 +0800https://plumephp.com/indie-ops-10-ops-acceptance/运维做得好不好，不该靠感觉。本文用十项控制与可用性、告警、事故、容量四张表，按可见性、响应、沟通、恢复四个维度加权打分，复算出 3.9 分的可用级，并给出月度 25 分钟巡检（占年度预算 10.4%）与季度只改一件事的改进顺序。事故响应与复盘：五分钟止损、一天说明、七天复盘https://plumephp.com/indie-ops-09-incident-response/Sun, 25 Oct 2026 21:40:00 +0800https://plumephp.com/indie-ops-09-incident-response/一个人处理事故，最缺的不是技术，是顺序。本文把四次事故的 138 分钟拆成回滚、开关、数据库恢复与依赖故障四段，给出五分钟内三选一的止损判据、24 小时说明与七天复盘的模板，并复算把 82 分钟恢复压到 30 分钟后的可用性。发布后的 24 小时：观察窗口、回滚判据与冻结期https://plumephp.com/indie-ops-08-post-release-watch/Sun, 25 Oct 2026 21:35:00 +0800https://plumephp.com/indie-ops-08-post-release-watch/发布不是结束，是观察的开始。本文给出 0 到 15 分钟、1 小时、24 小时与 7 天四个窗口各自看什么，用 0.4% 的错误率基线与 1.0% 的阈值定回滚判据，并按每次 45 分钟复算每月 4 次发布如何吃掉四小时运维预算的四分之三。第三方依赖运维：供应商挂了，你怎么办https://plumephp.com/indie-ops-07-third-party-dependencies/Sun, 25 Oct 2026 21:30:00 +0800https://plumephp.com/indie-ops-07-third-party-dependencies/你的可用性上限，由最弱的那家供应商决定。本文清点九个外部依赖与各自故障时的用户可见表现，用 99.9% 的 SLA 复算 90 天 42 分钟的真实影响，比较 35 美元冗余与 1.75 美元停机损失的账，给出三层降级与一次演练的做法。容量与成本：先找瓶颈，再谈扩容https://plumephp.com/indie-ops-06-capacity-and-cost/Sun, 25 Oct 2026 21:25:00 +0800https://plumephp.com/indie-ops-06-capacity-and-cost/用户涨三倍时，先撞墙的往往不是你以为的那个资源。本文用连接数、队列、存储与 CPU 四项水位复算三倍增长后的余量，给出 20 到 50 的连接池调整、加核时机与 20.5 个月的存储触顶时间，并排出零成本优先的扩容顺序。状态页与故障沟通：故障时说什么、多久说一次https://plumephp.com/indie-ops-05-status-page/Sun, 25 Oct 2026 21:20:00 +0800https://plumephp.com/indie-ops-05-status-page/故障时的沉默会被解读成更大的故障。本文给出正常、维护、降级、部分故障、重大故障五种状态，三条公告模板与 15 分钟首发、30 分钟更新的节奏，并并按 34/120 的受影响面复算单次 36 分钟、全年 2.4 小时的沟通成本与恢复公告写法。日志与错误聚合：在五分钟内找到那一次失败https://plumephp.com/indie-ops-04-logs-and-errors/Sun, 25 Oct 2026 21:15:00 +0800https://plumephp.com/indie-ops-04-logs-and-errors/出事后最贵的不是修，是找。本文给出四个必记字段、请求 ID 的串联方式、1200 条错误归成 4 组的聚合规则，并按 1.2 GB/月、采样 10%、保留 30 天复算存储与查询成本，让一次失败能在五分钟内被定位与归组。告警降噪：从 40 条到 3 条https://plumephp.com/indie-ops-03-alert-noise/Sun, 25 Oct 2026 21:10:00 +0800https://plumephp.com/indie-ops-03-alert-noise/一个月 40 条告警里只有 3 条是真的，剩下 37 条都在消耗你唯一的注意力。本文拆解抖动、重复、非紧急与真实四类告警，给出三级分级、持续时长条件、抑制与静默规则，并复算从 4.7 小时压到 21 分钟的处理成本与真实收益。最小监控：四个信号、五条探针与三分钟发现https://plumephp.com/indie-ops-02-minimum-monitoring/Sun, 25 Oct 2026 21:05:00 +0800https://plumephp.com/indie-ops-02-minimum-monitoring/一个人不需要一整套可观测平台。本文用延迟、流量、错误、饱和度四个信号，配五条覆盖关键路径的黑盒探针，复算 216000 次/月的检查量与 2 到 3 分钟的发现时间，并给出探针清单、阈值、覆盖缺口与每月四十分钟的维护成本。可用性是一份预算：四个 9、停机分钟与一个人的取舍https://plumephp.com/indie-ops-01-availability-budget/Sun, 25 Oct 2026 21:00:00 +0800https://plumephp.com/indie-ops-01-availability-budget/一个人也该知道自己承诺了几个 9。本文把可用性换算成每月停机分钟，用 99.5%、99.9%、99.95% 三档对比所需措施与月成本，再用近 90 天的 138 分钟停机复算出 99.89% 的真实水平，给出对外承诺与内部目标分开写的方法。