网站可用性报告不是运维部门的“成绩单”,而是企业评估数字化服务健康度的基础工具。很多团队能说出“这个月大概挂了几次”,却说不清累计不可用分钟数、故障原因分布以及同比变化趋势。按月统计不可用分钟数并按原因分类,可以把模糊的“感觉挺稳定”转化为可比较、可追溯的数据基线。

本文围绕统计口径、原因分类、报告结构、数据应用和发布机制五个环节展开,帮助运维、产品和业务团队建立一套持续运转的可用性报告体系,让每一次停机都变成下一次改进的依据。

一、先定口径:不可用分钟数到底怎么算

统计不可用分钟数的第一步不是采集数据,而是统一口径。口径不统一,月度之间、团队之间的数据就无法比较,报告也失去参考价值。

第一,明确“不可用”的判定标准。建议以核心业务入口的可访问性和关键交易链路是否正常为准,而不是仅看服务器 Ping 是否通。例如首页返回 502、登录接口连续超时、支付回调失败率超过阈值,都应计入不可用。

第二,确定统计时间粒度。常见做法是以分钟为最小单位,监控系统每 30 秒或 60 秒探测一次,连续两个探测周期失败即开始计时,恢复后连续两个周期正常即停止计时。这样既避免瞬时抖动被误判,也防止短暂故障被漏记。

第三,区分完全不可用和部分降级。完全不可用按全量分钟数计入,部分降级可按受影响用户比例折算,例如 30% 用户无法下单,可折算为对应比例的不可用分钟数。折算规则必须写进报告说明,避免月度数据口径漂移。

第四,统一统计范围。明确报告覆盖哪些域名、哪些接口、哪些地域节点,是否包含第三方依赖故障导致的不可用。范围一旦确定,至少在一个季度内保持不变,变更时需在报告中标注。

二、原因分类:把停机事件归入可行动的类别

不可用分钟数只有配上原因分类,才能回答“问题出在哪、该谁改进”。原因分类不宜过细,也不宜过粗,建议采用“一级分类加二级标签”的结构。

第一,基础设施类。包括机房断电、网络链路中断、云主机故障、负载均衡异常、DNS 解析失败等。这类原因通常由云服务商或 IDC 承担主要责任,但企业仍需评估冗余架构是否到位。

第二,应用与发布类。包括代码缺陷、配置错误、数据库慢查询、发布回滚失败、缓存击穿等。这是多数企业占比最高的类别,也是内部改进空间最大的部分。

第三,第三方依赖类。包括支付网关、短信服务商、CDN、地图接口等外部服务不可用。报告中应单独列出第三方故障导致的不可用分钟数,作为供应商考核和备选方案建设的依据。

第四,人为操作类。包括误删配置、误操作数据库、权限变更失误等。此类事件数量可能不多,但单次影响往往较大,应单独统计并关联变更管理流程。

第五,安全攻击类。包括 DDoS 攻击、恶意爬虫导致资源耗尽、漏洞利用等。此类原因需要与安全团队联动,报告中记录攻击类型、持续时长和处置措施。

每个一级分类下可设置若干二级标签,例如应用与发布类下细分“发布引发”“容量不足”“数据问题”等。二级标签不宜超过十个,否则统计成本过高、归类争议增多。

三、报告结构:让月度数据可读、可比较、可追溯

一份合格的月度可用性报告,应当让非技术管理者也能在五分钟内抓住重点,同时保留技术团队复盘所需的细节。

第一,总览页放核心指标。包括本月不可用总分钟数、可用性百分比、与上月及去年同期的对比、SLA 目标达成情况。可用性百分比建议保留小数点后两位,例如 99.95%,并注明统计口径。

第二,趋势图展示月度变化。用折线图呈现过去 12 个月的不可用分钟数和可用性百分比,标注重大故障节点。趋势比单月绝对值更有说服力,连续三个月上升就需要触发专项分析。

第三,原因分布用表格或堆叠图呈现。列出各一级分类的不可用分钟数、占比、环比变化。占比超过 30% 的分类应作为下月重点改进方向。

第四,TOP 故障事件逐条说明。选取不可用时长最长的三到五起事件,记录发生时间、持续分钟数、影响范围、根本原因、处置过程和后续改进项。改进项要写明责任人和预计完成时间,并在下月报告中跟踪闭环。

第五,附录保留原始记录。包括监控告警截图、故障工单编号、第三方服务商故障通告链接等,便于审计和追溯。

四、数据应用:从“记录过去”转向“驱动改进”

按月统计的价值不在报告本身,而在于数据能否进入决策流程。如果报告只被归档,统计就变成了额外负担。

第一,把可用性数据纳入季度目标考核。例如设定“月度不可用分钟数不超过 43 分钟”对应 99.9% 可用性,或“不超过 21 分钟”对应 99.95%。目标值应结合业务实际,不宜盲目追求四个九、五个九。

第二,用原因分类驱动资源分配。如果第三方依赖类占比连续偏高,就应推动备选供应商接入;如果发布类占比高,就应加强灰度发布和自动化回滚能力。数据指向哪里,改进资源就投向哪里。

第三,与变更管理联动。统计每次发布后的 24 小时内是否出现不可用事件,计算“发布相关故障率”。这个指标能直观反映发布流程的成熟度。

第四,为预算和架构决策提供依据。年度可用性趋势和故障成本估算,可以作为是否增加多活架构投入、是否采购更高等级云服务的参考。

五、发布机制:固定节奏才能形成习惯

可用性报告要发挥效果,必须固定发布节奏和责任分工,避免“想起来才做”。

第一,固定发布时间。建议次月第三个工作日前发布上月报告,数据冻结时间为次月第一个工作日,给监控校准和事件复核留出缓冲。

第二,明确编制和审核角色。运维团队负责数据采集和初稿,技术负责人审核原因归类,业务负责人确认影响范围描述。三方签字后发布,减少后续争议。

第三,建立改进项跟踪表。每期报告中的改进项单独维护,标注状态、责任人和截止时间,下期报告开头回顾上期改进项完成情况,未完成的要说明原因。

第四,定期复盘统计口径。每季度检查一次不可用判定标准、折算规则和分类标签是否仍然适用,口径变更需在报告中留痕,保证历史数据可对比。

FAQ问答

Q1:月度不可用分钟数应该由哪个团队统计?

A:通常由运维或 SRE 团队负责数据采集和初稿编制,技术负责人审核原因归类,业务负责人确认影响描述。三方协作可以避免单一视角偏差。

Q2:监控误报导致的短暂不可用要不要计入?

A:建议设置连续两个探测周期失败的确认机制,过滤瞬时抖动。已确认的用户可感知中断应计入,误报本身不计入,但误报率应在报告附录中说明。

Q3:第三方服务故障导致的不可用是否计入自身可用性?

A:应计入总不可用分钟数,同时在原因分类中单独列示。这样既反映用户真实体验,也便于区分内部责任和外部责任,推动供应商管理。

Q4:可用性目标定多少比较合理?

A:多数企业核心业务设定 99.9% 至 99.95% 较为务实,对应月度不可用约 43 分钟至 21 分钟。目标应结合业务损失容忍度和架构成本综合确定,不宜盲目追求更高数值。

Q5:报告中的改进项总是延期怎么办?

A:把改进项纳入季度考核,每期报告开头回顾上期完成情况,未完成项须说明原因并重新设定截止时间。连续两期延期的项目应升级到技术负责人层面协调资源。

总之,网站可用性报告的核心不是数字好看,而是口径稳定、分类清晰、改进闭环。建议从下个月开始,先固定不可用判定标准和原因分类标签,再按“总览、趋势、原因分布、TOP 事件、改进跟踪”五段式搭出报告模板,最后把发布节点和改进项责任人写进流程。坚持三个月,你会得到一条可比较的趋势线;坚持六个月,这条线会开始反过来推动架构和流程的实质性优化。