用户说挂了两分钟 监控平台显示 100% 可用

用户投诉中午有两次打开白屏，每次持续两三分钟，监控平台的可用率仍然显示 100%，一条记录都查不到。乍看像缓存或者权限的锅，追下去往往不是。

U=https://www.example.com
while true; do
  curl -so /dev/null -w '%{http_code} %{time_total}\n' $U
  sleep 10
done

追下去是这么回事：平台五分钟才探一次，还要连续三次失败才告警，两三分钟的抖动正好落在两次探测之间，从采样上就根本看不见，可用率自然漂亮。

「监控间隔漏报」相关的日志我一般连着看前后五分钟，单看一条报错经常判断不出是哪一步失败。验证用真实数据走一遍，测试数据太干净，边界情况根本碰不到。

能分两步做的操作就别合成一步，中间看一眼返回值，出问题好判断。

具体做法是，关键页面单独配一分钟间隔，别跟普通页面共用一个模板；失败一次就先记事件，告警可以按连续次数做抑制；补一个内网发起的短周期拨测，跟平台的结果对照着看。

验收就看一点，同样的抖动在拨测记录里能对上时间点，可用率不再是恒定的 100%。