我们不谈「极致体验」,只列四件能核对的机制:巡检几点跑、故障分几级、维护定在哪个窗口、公告发在哪两个地方。下面每个数字都出自 2024 年 1 月至 12 月的运维记录,月份和次数都可以在状态页回溯。
每天 07:00 起跑一遍完整播放链路:12 个内容专区的首帧、码率、音轨、字幕逐项探活,07:40 前把结果写进状态页。另外每 15 分钟对所有边缘节点打一次探针。全年共触发 431 次自动切换线路,其中 394 次用户没有察觉。
P0 全站不可播、P1 单专区或单线路大面积异常、P2 单片或单集异常、P3 体验类问题。P0 响应 15 分钟 / 恢复 2 小时,P1 响应 30 分钟 / 恢复 4 小时,P2 响应 2 小时 / 修复 24 小时,P3 48 小时内答复。分级只看影响面,不看谁先报。
例行维护固定在每周三 03:00–05:00,最长 120 分钟;大版本升级提前 7 天在 App 首页挂倒计时横幅。过去 12 个月的 48 次窗口里,有 39 次在 04:00 前提前结束,最长一次用了 106 分钟。窗口一旦延长,横幅上的时间会当场改写。
状态公告页与 App 首页横幅同时更新,发布间隔不超过 5 分钟;P0 期间每 20 分钟刷新一次处理进展。会员手机号额外收到短信。每条公告必须写清三件事:影响范围、当前处理阶段、预计恢复时间;写不全就不发。
这四项是整页结论的依据。可用率的口径是「任意一路可播即视为可用」,比行业常见的「首页可打开」口径更宽松,所以我们没有把它写成 99.99%。
每日全链路巡检
P0 响应上限
近 12 个月可用率
故障分级与响应
下面三条来自工单回访,我们保留了所有负面部分。评价标准只有一条:报了障之后,多久有人接、多久修好、期间有没有人告诉你进展。
去年 11 月 6 日晚上 22:40 全站打不开,我在工单里报的,23:52 收到恢复通知,实际用时 1 小时 12 分,比承诺的 2 小时短。公告里写清了是华东机房 BGP 抖动,不是一句「系统繁忙」。唯一想吐槽的是 App 内横幅比短信晚了 8 分钟才挂出来,那 8 分钟我一直在刷新首页。
今年 3 月一部剧第 7 集音轨错位,按分级属于 P2。2 小时内确实有人回我,但修复用了 3 天,超出承诺的 24 小时。工单里每天都有进展同步,没有已读不回。慢就是慢,这一点我没法夸,但至少我知道卡在内容方的母带重新压制上,而不是一句「正在处理中」。
周三凌晨维护对我这种夜班党不太友好。不过提前 3 天就有倒计时横幅,还写了预计结束时间,那次 04:14 就恢复了,比公告写的 05:00 早。有一次我 03:20 打开 App,看到的是维护页和剩余时间,不是白屏报错,也不是一直转圈。这一点比我用过的同类做得实在。
下面五个问题是工单里问得最多、但上面四张卡没能回答完的。答案同样是承诺口径,包括我们目前做不到的地方。