每周巡检节奏
每周一 02:00–04:00 做一次全量巡检,覆盖 CDN 回源、转码队列、账号鉴权三条链路;每周四 03:00 增量抽查首页推荐池与搜索索引。报告在状态页归档,保留最近 12 期。
下面四张卡片不是卖点,是我们对外承诺的运维动作。每一条都对应一个可以核对的时间或数字:巡检多久一次、故障分成几级、维护安排在几点、公告发在哪里。如果你发现我们没做到,可以按卡片里写的渠道直接找人对质,不用绕客服话术。
每周一 02:00–04:00 做一次全量巡检,覆盖 CDN 回源、转码队列、账号鉴权三条链路;每周四 03:00 增量抽查首页推荐池与搜索索引。报告在状态页归档,保留最近 12 期。
P1 全站无法播放,8 分钟响应、2 小时内恢复;P2 单区域或单端不可用,30 分钟响应;P3 部分片源 404,4 小时内响应;P4 字幕与清晰度标注错误,下一个维护窗口内修完。
常规维护固定在每周三 03:00–04:00,时长不超过 60 分钟;大版本最多延长到 90 分钟,并提前 24 小时公告。春节、国庆等高峰周不排维护,避免和你的假期撞车。
状态页实时显示三端在线率与最近 20 条事件;每次 P1、P2 修复后 2 小时内补发一条复盘,写清影响面、根因、后续动作。站内信、邮件、Telegram 频道三处同步推送。
下面四个数字来自最近 30 天的内部监控报表,每月 1 日更新一次,只统计已归档的事故单,不含测试环境的演练。判定标准写死在这里:只要某一分钟的全站播放失败率超过 2%,就计一次「不可用」,不做事后剔除,也不把故障算到第三方的头上。
说明一下这几个数字的短板:99.3% 是播放链路的可用率,不含片库新增内容的审核排队时间;46 分钟是 P1 与 P2 的平均值,P1 单次最长的一次用了 3 小时 20 分钟,那次的复盘在状态页第 14 号事件里,我们没删。
下面三条来自状态页留言板和用户群,我们没删差评,只删了带链接的广告。写评价的人在过去半年里都至少遇到过一次故障,所以他们评价的是「出事后多久有人管」,而不是界面好不好看。
三月那次 P1 我记得很清楚:晚上 9 点 40 分全站播放失败,9 点 52 分状态页就挂出了红条,10 点 20 分恢复。我在群里骂了两句,客服直接把事故单号甩给我,第二天下午发了复盘。速度没得挑,但那 40 分钟确实什么都看不了。
我主要用 iOS 端,去年 11 月遇到一次 P2:只有移动端登录失败,桌面端一切正常。报障后 26 分钟收到回执,说定位到鉴权网关的一张证书过期了。那天是周六,我本来以为要等到周一上班才有人看。
最大的毛病是每周三凌晨维护,我上夜班,正好撞上。不过它从不爽约,说 03:00 就 03:00,最多晚 4 分钟,维护页上还写着预计恢复时间的倒计时。比那种半夜偷偷挂掉、第二天也不说原因的强太多。
这五条是用户群里被问得最多的,也都是我们页面没写清楚的地方。答案里的时间点、次数、渠道都是真实执行的规则,不是临时应付。