3、值班台（On-Call）体系：值班台的定义、告警分级、值班轮转模型、事件响应流程

值班台（On-Call）是平台工程中保障服务可靠性的第一道防线。它不仅仅是“有人接电话”，而是一套从告警产生、分级过滤、人员调度到事件闭环的完整体系。在分布式追踪值班台服务目录中，值班台负责将可观测性数据转化为可执行的响应动作。

3.1 值班台的定义与核心职责

值班台是SRE体系中负责接收告警、初步诊断、协调资源、推动事件解决的固定角色或虚拟团队。其核心职责包括：

• 告警接收与确认：通过PagerDuty、Opsgenie、飞书/钉钉机器人等渠道接收告警，并在SLA规定时间内确认。
• 告警分级与过滤：根据告警的严重程度和影响范围，决定是否需要立即响应或仅记录。
• 初步诊断与升级：利用分布式追踪、指标、日志等可观测性工具进行根因定位，必要时升级到二级或三级响应团队。
• 事件协调与沟通：在事件处理过程中，负责更新状态、通知干系人、记录时间线。
• 事后复盘与改进：参与事件复盘（Postmortem），推动告警规则优化和Runbook完善。

3.2 告警分级体系

告警分级是值班台高效运转的基础。没有分级的告警等同于噪声，会导致值班人员疲劳和关键告警被淹没。常见的告警分级模型如下：

3.3 值班轮转模型

值班轮转模型决定了“谁来值班”以及“如何交接”。常见的模型包括：

• 周轮转（Weekly Rotation）：每人值班一周，适合团队规模较大（≥6人）的场景。优点是交接频率低，缺点是单次值班负担重。
• 日轮转（Daily Rotation）：每人值班一天，适合团队规模较小或告警量大的场景。优点是负担分散，缺点是交接频繁，容易遗漏上下文。
• 主备模式（Primary/Secondary）：主值班负责响应，备值班作为后备。当主值班无法响应时，备值班自动接管。适合关键时段（如夜间、周末）的保障。
• 分时轮转（Time-based Rotation）：将一天分为多个时段（如白天/夜间），不同团队或人员负责不同时段。适合跨时区团队。

以下是一个典型的周轮转+主备模式的SVG示意图：

3.4 事件响应流程

事件响应流程是值班台的核心工作流。一个标准的事件响应流程通常包含以下阶段：

1. 告警触发与路由：监控系统产生告警，根据告警标签（如服务名、环境、严重级别）路由到对应的值班台队列。
2. 告警确认与分类：值班人员确认告警，并初步判断是否为真实事件。如果是误报，则标记为“误报”并关闭；如果是真实事件，则进入响应阶段。
3. 初步诊断与升级：值班人员利用分布式追踪、日志、指标等工具进行根因分析。如果在15分钟内无法定位或修复，则升级到二级团队。
4. 事件协调与修复：二级团队介入，值班人员转为协调角色，负责更新事件状态、通知干系人、记录时间线。
5. 事件关闭与复盘：服务恢复后，值班人员确认告警恢复，关闭事件。随后触发复盘流程，生成事件报告。

以下是一个事件响应流程的SVG示意图：

3.5 值班台与分布式追踪的集成

在分布式追踪值班台服务目录中，值班台不是孤立存在的。它与分布式追踪系统深度集成，实现以下能力：

• 告警上下文增强：告警通知中自动附带Trace ID、Span ID、服务拓扑图，帮助值班人员快速定位问题链路。
• 自动根因分析：基于分布式追踪的异常检测算法，自动识别故障根因服务，减少人工排查时间。
• 服务目录联动：告警中直接显示受影响服务的Owner、Runbook、依赖关系，值班人员无需手动查询。
• 事件时间线自动生成：事件响应过程中，分布式追踪数据自动生成时间线，用于事后复盘。

3.6 值班台成熟度模型

评估值班台体系的成熟度，可以从以下维度进行：