下面这四个环节是固定的、写在文档里的、也能在状态页上逐条核对。序号不对、时间对不上,都算我们的问题。
每周一、周四 03:00–04:00 自动巡检播放源、回源链路、账号、支付四类节点,每月第二个周四再做一次人工全量复检,报告当天 12:00 前上状态页。
P0 全站不可用 15 分钟响应、2 小时恢复;P1 单区或主片源失效 30 分钟响应、6 小时恢复;P2 登录搜索异常 4 小时响应;P3 界面问题排进下个版本。
常规维护固定在周二、周四 02:00–05:00,单次不超过 3 小时,每月最多 2 次。超窗必须当晚发延迟公告,改动太大就拆成两次发布,不硬拖到天亮。
故障期间状态页每 30 分钟刷新一次进度,App 内同步显示横幅;恢复后 24 小时内发出复盘,写清开始时间、影响范围、根因和下次怎么防。
以下四个数字取自过去 12 个月公开状态页,任何人可以对着历史记录一条条数。
说明:99.94% 指播放接口与片源的可用时长占比,不含用户本地网络问题;27 份复盘里有 3 份是「未在 SLA 时间内恢复」的自我通报。
我们只请了三位在过去半年里真的踩到故障的用户,让他们对着时间线说话,包括不满意的那部分。
“12 月 3 日那次 P0,20:41 我提交反馈,20:58 收到工单回执,21:52 播放恢复,事后还发了复盘邮件,写明是某条 CDN 回源被限速。速度我认,但前 10 分钟状态页还是绿的,这点确实该扣。”
“周日早上碰上 P2 的登录变慢,公告写 4 小时响应,实际 2 小时 20 分就恢复了,中间还更新了两次进度。毛病也有:维护提示只在 App 里弹一次,我没看到就被踢下线,希望历史公告能留档。”
“用了两年,维护基本都在周二凌晨两点,对我这种夜猫子不太友好,但过去一年只有一次超过 3 小时窗口。我更在意的是恢复后那封复盘写得够不够具体,这点他们这两年进步明显。”
这些问题来自过去半年工单里出现频率最高的五条,答案写得比较直白,包括我们做不到的部分。