从业务操作开始
选择真正影响工作的操作:登录、打开订单、过账单据、工资计算、期末结账、数据交换和定时任务。为每项定义期望时间、允许错误率、测量窗口和负责人。
不要把所有操作平均成一个数字。快速导航可能掩盖少量但关键的结账延迟;交互操作、后台任务和集成应分别观察。
正确使用 APDEX
APDEX 按目标时间把执行分为满意、可容忍和不满意。阈值应反映用户真实期望,而不是为了报表好看。
指数旁还要保留分布和百分位。APDEX 不能单独解释原因,也可能掩盖不同负载模式,应按部门、数据库、版本、操作和时段比较。
分层采集数据
平台提供关键操作指标、注册日志和技术日志;数据库提供查询、锁、等待、执行计划和复制状态;操作系统与虚拟化层提供 CPU、内存、存储、网络和资源竞争。
通过统一时间、数据库名、集群节点、会话和可用的关联 ID 连接事件。技术日志只启用必要事件并限制保留时间,长期全量采集会产生噪声、容量和数据泄露风险。
按业务影响告警
告警应说明受影响操作、用户数量、持续时间和此前变更。CPU 高但 SLO 未受影响,不一定就是事故。
使用多信号规则,例如 APDEX 下降并伴随错误或队列增长,或交换延迟并缺少控制事件,同时定义确认窗口、去重和升级路径。
保存诊断上下文
触发时自动记录平台与配置版本、后台任务、应用发布、近期变更、数据库和基础设施状态,并对个人与财务数据进行脱敏和访问限制。
事故后更新控制场景和基线。修复是否有效应由相同负载下 SLO 恢复证明,而不是因为暂时无人投诉。
实用最小集
从五到七个关键操作、依赖图、时间同步、APDEX 和百分位面板、受控技术日志以及一份诊断运行手册开始,比数百个无负责人且脱离业务的指标更有效。

