第1章：实时巡检概述

1.1 什么是实时巡检？

先说说我自己的理解。实时巡检，不是半夜拿着手电筒去机房转一圈。那叫「人工打卡巡检」，早就过时了。

真正的实时巡检，是指在秒级甚至毫秒级的时间窗口内，自动采集系统关键节点的运行状态数据，并与预设的阈值进行比对，一旦发现异常立即触发告警或兜底动作。你可以把它想象成「7×24小时贴在系统动脉上的听诊器」，不需要人到场，机器自己听、自己判断。

我2018年负责一个钢铁厂产线监控项目，客户说他们的巡检周期是15分钟，工人定期刷新Web页面看温度曲线。结果有一次换热器温度在30秒内飙升了80度，等工人看到曲线已经晚了——停机损失80万。从那以后我坚持一条原则：实时巡检的「实时」不是拍脑袋定的，由你容忍的数据空白窗口决定。

当然，不同场景对「实时」的苛刻度不一样。温度监控可以容忍5秒，交易系统可能容忍500毫秒。你在设计巡检流程时，第一件事不是写代码，而是跟业务方一起确认：「数据最多能空窗多久？」

1.2 为什么需要实时巡检？

一句话：故障不会挑你上班的时候来。

我从三个层面拆解原因——全是项目里踩过的坑换来的教训。

1. 缩小故障检测时长（MTTD）
   我曾经维护过一套制冷机群，人工巡检每4小时一次。压缩机轴承温度从正常到烧毁只需要90分钟。你算算，第4小时的巡检能救回来么？不能。实时巡检直接把检测窗口压到1分钟以内。
2. 降低运维人力成本
   一个数据中心如果只靠人巡，三班倒至少需要6个人。引入实时巡检后，人可以去做更有价值的故障分析、预案演练。说白了，机器干的活越多，人越值钱。
3. 支撑自动响应和自愈
   只有实时巡检能提供「闭环控制」的条件。发现温度超过阈值，自动调大冷却水阀，几秒完成。人走过去手动操作至少两分钟，设备早就过热了。

1.3 巡检与监控的区别与联系

这个点经常有人搞混。我直接上对比表，你看完就明白了。

维度	巡检	监控
目标	验证系统是否健康	发现系统是否异常
执行方式	主动、周期性、确定性	持续采集+被动等待告警
数据粒度	快照式对比（当前值 vs 阈值）	全量时序记录+趋势分析
输出	巡检报告、状态绿/黄/红	告警事件、看板、日志
典型时序	每30秒 / 每5分钟 / 每小时	持续拉取，无固定周期

你想想看，监控像雷达一直开着，看到什么就记录下来；巡检像哨兵定点巡逻，每次都问「你还好吗？亮个绿灯看看」。前者知道趋势，后者知道瞬时状态。

它们谁也不能替代谁。 我见过一个团队只做了监控，没做巡检，结果磁盘写满了三天，告警早就发了但是没人去修——因为没有巡检来验证「告警是否被处理、系统是否恢复」。反过来，只有巡检没有监控，你又看不到历史曲线，没法做容量规划和根因分析。

我的做法是：在监控系统上叠加巡检作业。监控采集全量指标存到时序库；巡检按固定频率读取最新值，跑一套判定逻辑，输出「绿/黄/红」状态。两者共用同一套采集代理，避免重复打桩。

1.4 实时巡检的知识体系

下面这张图概括了这一章的核心逻辑，也对应了我们整个课程的知识骨架：定义 → 目标 → 流程 → 度量 → 优化。

这张图你把每个节点拆开，就是我们后面29章要讲的内容。先从左上角「定义」走到底部的「阈值调优」，整套方法论就串起来了。

1.5 关于本课程，我多说两句

做运维十几年，我见过太多监控系统成了「告警洪水」，阈值拍脑袋定，巡检流程形同虚设。这门课不跟你讲花里胡哨的概念，每个方法都是我拿真实系统的告警数据喂出来的。

嗯，第一章算是开胃菜。你只要记住三句话：

• 实时巡检不是监控的替代品，是监控的放大镜和报警器重校准器。
• 开始之前，先搞清楚你的业务容忍的「数据空窗期」。
• 巡检和监控的阈值必须分开管理，否则两边打架，最后谁都信不过。

后面我们会一步步深入到：巡检频率怎么定、阈值怎么设、异常动作怎么写、怎么用历史数据自动调参。每一个阶段我都会把踩过的坑拿出来示众，让你省点学费。