色花堂把运维摊开给你看:每 10 分钟跑一次全链路自动巡检,故障分 P0 到 P3 四级,P0 五分钟内必须有人出来说话、平均 22 分钟恢复;固定维护窗口在每周三 03:00–04:30,提前 24 小时公告。出了问题、什么时候修、多久修好,这一页都能查到。
Reliability
大多数影视 App 只告诉你「内容丰富」,不告诉你它半夜两点挂掉时谁在处理。色花堂把三件事固定下来:多久巡一次、出事怎么分级、什么时候维护——每一条都能对照状态页上的时间戳核实,说了做不到你可以拿着记录去提工单。
每 10 分钟对播放、登录、搜索、CDN 回源四条链路各跑一次探针,2 分钟内汇总成可用率曲线;每 6 小时人工巡检一次,每天 04:00 做全量回归。同一探针连续两次失败就自动开单,不等用户来报障。
事故分四级:P0 全站不可用,5 分钟响应、2 小时内修复;P1 视频打不开,15 分钟响应;P2 单个分区异常,2 小时响应;P3 文案与排序问题,次工作日处理。分级标准原文挂在状态页底部,可以逐条对照查验。
常规维护固定在每周三 03:00–04:30,单次不超过 90 分钟,覆盖发版、扩容与数据库变更;提前 24 小时在状态页公布内容与影响范围。紧急维护不走这个窗口,单独按 P 级流程处理,事后 24 小时内补一份说明。
99.62%
近 90 天可用率
22 min
P0 平均恢复
10 min
自动巡检间隔
4 级
故障分级标准
以上数字取自最近 90 天(上一个完整季度)的内部监控与状态页历史记录。可用率按分钟级探针加权计算,计划维护窗口不计入不可用时长,但维护时长与次数在状态页单独列示,不隐藏。
Real incidents
下面三个人都经历过至少一次真实事故,评价里既有认可也有不满意的地方。我们没有删掉差的那部分,因为下次挂掉时你也会是其中某一位。
3 月 14 日晚上 22:40 全站白屏,22:47 状态页就挂出了 P0 公告,写明「证书轮换脚本未覆盖新节点」,23:07 恢复,前后 27 分钟。第二天还补了一条根因复盘。这个处理速度我没话说。
陈默
使用 14 个月 · 上海
有一次 P2 的搜索故障,等了 1 小时 50 分钟才有明确回复,虽然还在承诺的 2 小时内,但这段时间状态页只有一句「处理中」,挺难受的。后来他们把 P2 也改成每 30 分钟更新一次进度。
阿岚
使用 8 个月 · 成都
它当然会挂,去年一年我碰上 6 次。但它从不装死:P0 都有时间戳、有根因、有补偿,会员时长按不可用时长 3 倍补,上个月我自动到账 4 小时。周三凌晨那 90 分钟维护也从来没偷偷来过。
老周
使用 2 年 3 个月 · 武汉
FAQ
下面五个问题,是工单和用户群里被问得最多的,全部给出可核对的说法。
会。03:00–04:30 窗口内,直播和点播的新增请求会返回一个维护提示页,已经缓冲好的内容最多再播 90 秒。所以如果你习惯熬夜看,建议 02:50 前把要看的 2–3 集加进离线缓存。窗口之所以选在工作日深夜,是因为这段时间的并发只有晚高峰的 4% 左右,受影响的人数最少。
三个地方:状态页每 60 秒刷新一次,事故开始时自动置顶;登录状态下 App 首页顶部横幅,30 秒内推送;邮件与机器人订阅(Telegram / 企业微信),需要你在设置里自己勾选一次。有一点要说清楚:我们不发营销短信,所以别指望靠短信收到故障通知,那是别家 App 的做法。
响应和修复是两件事。P0 的 5 分钟指的是值班工程师确认告警并挂出公告,不是修好。按最近 90 天 11 次 P0 的记录,从响应到恢复的中位数是 22 分钟,最长一次 51 分钟,发生在去年 11 月的机房回源故障。如果你看到公告已经挂出来但四十分钟没动静,那说明卡在修复阶段,公告里会写卡在哪一步,不会只写「处理中」。
会改,过去 12 个月平均每月 0.6 次。改期基本只有一个原因:发版内容没通过 04:00 之前的两轮回归,宁可推迟也不带病上线。改期会在原窗口开始前 4 小时更新状态页,并给订阅了通知的用户推一次。另外,临时紧急维护不走计划窗口,它按 P0 / P1 流程走,事后 24 小时内补一份书面说明。
不需要申请。P0 与 P1 事故按实际不可用时长 ×3 折算成会员时长,结案后 24 小时内自动到账;P2 不足 30 分钟不补,超过 30 分钟按 ×1 折算;P3 不补偿,因为多数是文案和排序问题,不影响播放。每一笔补偿都记在账户的「服务记录」里可以逐条查,觉得算错了可以直接提工单复核。