巡检节奏:15 分钟一轮
每 15 分钟,后端对 12 个边缘节点各发一次真实拉流请求,不是只 ping 一下端口。连续两次失败会自动标记异常并进入分级,值班手机同时响。每天 03:00 再跑一次全量巡检,转码、鉴权、弹幕三条链路都覆盖。
运维规则
故障发生时,用户真正关心的不是“我们很重视”,而是什么时候有人看、多久给方案、修完怎么知道。下面三条是我们对外的固定规则,不随心情调整。
每 15 分钟,后端对 12 个边缘节点各发一次真实拉流请求,不是只 ping 一下端口。连续两次失败会自动标记异常并进入分级,值班手机同时响。每天 03:00 再跑一次全量巡检,转码、鉴权、弹幕三条链路都覆盖。
P0 全站不可播,5 分钟内响应、30 分钟给出临时方案;P1 影响 5%–30% 用户,15 分钟响应、2 小时内修复;P2 是画质降级或弹幕延迟,2 小时响应、24 小时处理;P3 属体验建议,48 小时内答复。
固定为每周二 03:00–04:00,全年不超过 52 次,只在这段时间做需要停服的操作。提前 48 小时在 App 内和状态页公告,窗口内保留 3 人值班。紧急安全补丁可以加开窗口,但会单独发通知,不会悄悄进行。
全网探活间隔
P0 首次响应
全年维护窗口
近 90 天可用率
数据口径:可用率按每 15 分钟一次的探活采样计算,探活失败且人工确认超过 3 分钟才计入不可用,误报不计。
用户反馈
下面三条都来自实际遇到过故障的用户,不是体验官写的。我们保留了其中批评的部分。
去年 12 月 3 日晚上 21:40,我看着看着画面卡住不动。顺手打开状态页,P1 已经登记了,22:07 收到推送说回滚完成。中间 27 分钟,比我之前用的那个 App 快。不过那天状态页的说明晚了大概 6 分钟才补上,这点还是希望改。
我遇到的是 P2,弹幕延迟大概 20 秒,画面本身没问题。客服让我提供三条日志的时间戳,第二天下午回复说定位到 3 号机房的时钟同步问题。说实话回复不算快,但把原因写清楚了,没有拿“网络波动”敷衍我。
周二凌晨的维护有两次正好撞上我的录播时间,体验确实不好,这个没什么好洗的。但公告提前 48 小时就挂出来了,App 里能看到倒计时,至少我能提前避开。现在我已经习惯周一晚上把要看的存到本地。
常见问题
这里回答的是页面上没交代完的部分,尤其是“挂了那一刻我的屏幕长什么样”。
会先看到一张全屏提示页,上面写着本次维护的开始时间、预计结束时间和当前进度条,而不是一直转圈或者白屏。已经缓存到本地的内容仍然可以播放,只是不能切换新频道。窗口结束后 App 会自动重连,不需要手动清缓存或重装。如果进度条超过预计结束时间 10 分钟仍未恢复,提示页会多出一行文字,说明已经升级为 P1 处理,并给出状态页地址。
P0 是全站不可播、受影响用户超过 80%,5 分钟内响应,30 分钟内给出临时方案(降级或切换备用源),4 小时内恢复主力链路。P1 是单个区域或单条链路故障、影响 5% 到 30% 的用户,15 分钟响应、2 小时内修复。P2 是画质降级、弹幕延迟、搜索变慢这类不影响“能不能看”的问题,2 小时响应、24 小时内处理。P3 是体验建议类,48 小时内给答复。四级标准在状态页顶部长期挂着,改一次就要发一次公告。
会。窗口内所有直播流会中断,这点我们不想说得含糊。所以时间固定在周二 03:00–04:00,也就是全站并发最低的时段:过去一年里,这个时段的平均在线人数不到晚高峰的 4%,受影响的面最小。如果某项变更可以在线完成、不需要停服,我们不会占用这个窗口,而是走灰度发布,分 5 个批次各放 20% 流量。
状态页托管在独立于播放链路的一套系统上,就算播放侧整体挂了,它大概率还活着,这是它存在的意义。系统自动登记到状态页的延迟目标是 60 秒内,P0 与 P1 要求人工在 5 分钟内补一条中文说明,写清楚影响范围和下一步动作。如果某次确实没做到,我们会在页面顶部挂一个“信息延迟”标记,而不是假装什么都没发生。
不能。过去 90 天的可用率是 99.94%,换算下来大约有 47 分钟不可用时间,这些时间分散在 6 次事件里。我们不做“零故障”承诺,因为那只是话术。我们只承诺三件事:故障分级公开、各级响应时限公开、每次 P0 在事件结束后 72 小时内发布复盘,写清楚时间线、根因和具体改了什么。前三次复盘可在状态页历史记录里直接查到。
安装后 App 首页顶部会常驻一条状态条,显示当前巡检结论和下一次维护窗口的倒计时。有故障时它变成橙色以外的红色提示,登记后 60 秒内出现;没故障时它显示“最近一次巡检:正常”,并标注具体时间。不用你去猜今天能不能用。
安装包 38 MB,支持 Windows / macOS / Android;iOS 请直接使用网页版,功能一致。免费,无内购。