网站上线流量归零？运维盲区正 silently 蚕食用户

　　跟 DBA 吵完出来，我盯着测试环境里那个灰度开关——三台机器开了两台，第三台的 config.yaml 里还卡着 old_endpoint: https://api-legacy.v2。不是没提过，是提了三次，每次 PR 都被合并进 hotfix 分支，hotfix 分支又没人合进 main。这事儿我敢打包票：流量归零那天，那台机器根本没进路由池，但监控显示“服务健康”，绿得发慌。

　　倒不是不能查。我们上午十点零七分发现首页白屏，PM 在钉钉群里连发五条“用户反馈激增”，前端把 console 截图甩进来，全是 fetch() failed：net::ERR_CONNECTION_REFUSED。我原以为是 CDN 缓存没刷，结果 curl -I 看了一圈，header 里 Date 是 2025 年 2 月 14 日凌晨三点十七分——比上线时间早十一小时。对，早十一小时。没人改过服务器时间，也没人动过 NTP 配置。DBA 说“系统时间不准”不算运维事故，所以我现在连个工单都开不下去。

　　咖啡杯上印着公司 logo，边缘掉了漆，露出底下灰塑料。我喝了一口，冷的。oncall 手机震了一下，是告警平台推来的：“SLA 连续十五分钟低于 50%”，配图是一条平直到底的折线——它连抖都没抖一下，像被刀切掉下半截。我截图发给测试，她说“上次压测也这样”，然后补了一句“你猜 QA 测试时用的 mock 域名是不是还绑在 hosts 里？”我没回。这个我说不准。mock 域名的事儿，三年前就该从 checklist 里删了，可直到上周我还在晨会听人念“检查 hosts 绑定”，念得特别顺，像在读一首打油诗。

　　再说接口背锅这事。流量掉到零后两小时，SRE 把问题定性为“订单接口超时导致首页 fallback”。但他们只看了 /api/order/detail 的 p99，十八毫秒。没看 /api/user/profile 的三百七十二次调用——其中二百零三来自首页 banner 渲染链，而那链路上有个兜底逻辑：当 profile 调用失败且 retry 次数满三，自动跳转 to /login。但 /login 页面依赖另一个接口，那个接口在灰度期间被临时下线，状态码返回 503。503 被前端当 401 处理，所以用户点了 banner 就弹登录框，登录框又触发一次 profile 请求……死循环。没人写文档，没人标依赖，只在某次 code review 里有人 comment 一句：“这里要不要加 timeout？”后来那行 comment 被折叠了，因为 PR 关联了七张 Jira 卡，大家只扫一眼 description 就点了 approve。

　　那天下午四点二十三分，运维大屏最右下角，一个标着“Nginx upstream keepalive”的小曲线突然往上蹿了一格，持续十九秒，然后回落。没人点开看日志，因为那个 metric 属于“已弃用监控项”，去年 Q3 就划进 low-priority list 了。但它蹿的时候，正好是我们全量切流的前七秒。我不知道有没有因果关系，但我记得很清楚：我盯着它看的时候，隔壁工位的测试正在用 Excel 表格算她这个季度的 bug 关闭率，表格第二列写着“重复上报率 37%”，第三列留空——她还没填，手边那支红笔笔帽没盖。

　　KPI 这事儿我早不说真话了。去年底复盘会，总监问“用户体验指标怎么定”，我说“首屏可交互时间”，他点头，说“好，那就定成 SLA 核心指标”。三天后 OKR 文档里出现一条：“Q1 用户停留时长提升 8%（对比 2024 Q4）”。我问依据，回复是“运营那边说短视频模块导流效果好”。我嗯了一声，回去就把 FCP 监控埋点从 提到了 最顶部。不是为达标，是怕哪天它掉下去，又变成我的 KPI 黑锅。反正黑锅这东西，戴久了自己长肉，摘下来要撕皮。

　　其实最让我后怕的，不是归零，是归零之后那两小时。整个链路排查过程里，没人主动去看证书链是否完整，没人想起检查 let's encrypt 自动续期脚本的日志路径是否被最近一次磁盘清理误删。就因为——所有 HTTPS 接口返回的都是 200，哪怕 body 是空的。而空 body，被前端当成“无数据”，悄悄渲染了个空白 div。用户看到的是首页，以为一切正常；我们看到的是监控曲线，以为只是毛刺；DBA 看到的是慢查询日志，觉得不关他事；只有 PM 在群里反复刷新页面，说“我这边能打开啊”。我能怎么办？只能再倒一杯水，看咖啡杯上那个掉漆的 logo，心里想：优胜劣汰？呵，淘汰的从来不是代码，是那个最早发现问题却没权限改 config 的人。

文章配图，仅供参考

　　我现在打算干件事：下次上线前，带一台没连内网的笔记本，现场抓包。不走代理，不用 Chrome DevTools，就 tcpdump -i any port 443，把原始 handshake 记录下来。我要看看握手阶段，客户端到底收到了几个 SNI，服务器回的是哪个证书链。这事我没跟任何人提，包括测试——她刚提交了第七版回归用例，Excel 表格第三列还是空的。至于那个掉漆的 logo……算了，等杯子报废那天，我可能已经不在这个项目组了。

（编辑：站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!