1. On-Call值班概述
1.1 On-Call职责定义
On-Call（值班）是SRE体系中保障服务连续性的核心机制。值班工程师在非工作时间或轮值周期内，负责响应告警、处理故障、执行变更，并确保服务等级指标（SLI/SLO）不降级。其职责边界清晰，通常包含以下维度：
| 职责维度 | 具体内容 | 关键产出 |
|---|---|---|
| 告警响应 | 接收并分类P0~P3告警，确认故障影响范围 | 告警确认时间 ≤ 5分钟 |
| 故障处置 | 执行应急预案、回滚变更、隔离故障节点 | MTTR（平均修复时间） |
| 沟通同步 | 在故障升级路径中向TL/EM汇报，更新状态页 | 故障通报记录 |
| 交接记录 | 填写值班日志，移交未闭环事项 | 值班交接单 |
| 基线核验 | 接班时验证环境基线状态，确保系统处于健康基线 | 基线核验报告 |
实践要点： On-Call不是"被动等待告警"，而是"主动守护基线"。值班工程师的第一项操作应是基线核验，而非等待故障发生。
1.2 值班生命周期
一次完整的On-Call轮值遵循标准生命周期，每个阶段都有明确的输入输出和检查点。下图展示了值班生命周期的五个核心阶段：
值班生命周期强调闭环管理：从接班核验开始，经过监控、响应、处置，最终以交班闭环结束。其中，接班核验和交班复验是两次关键的基线检查点，确保值班交接不产生盲区。
1.3 基线核验在值班中的重要性
基线核验（Baseline Verification）是指在值班交接时，对系统环境的关键指标进行快速检查，确认其处于预设的健康基线范围内。它是值班生命周期的第一道防线，也是最后一道保险。
核心观点： 基线核验不是可选项，而是On-Call值班的强制性前置步骤。未经基线核验的值班，等同于"盲飞"。
基线核验在值班中的价值体现在三个层面：
- 预防性发现： 在故障发生前识别环境异常（如磁盘使用率突增、证书即将过期），提前干预避免P0事件。
- 责任边界清晰： 接班时基线正常，交班时基线异常，则问题发生在当值班次内，责任归属明确。
- 故障定位加速： 基线数据作为"健康快照"，在故障排查时提供对比基准，快速区分"变更引入"与"环境退化"。
下表对比了"有基线核验"与"无基线核验"两种值班模式的关键差异：
| 对比维度 | 有基线核验 | 无基线核验 |
|---|---|---|
| 接班状态 | 明确知道系统是否健康 | 依赖上一班口头描述，无量化依据 |
| 故障发现时机 | 基线检查阶段即可发现潜在风险 | 等待告警触发，通常已造成影响 |
| 责任追溯 | 基线数据可追溯，责任清晰 | 容易互相推诿，难以定位引入方 |
| MTTR影响 | 基线数据辅助快速定位，缩短MTTR | 需从零开始排查，MTTR延长 |
| 交接效率 | 自动化核验报告，5分钟完成交接 | 口头交接，平均耗时15~30分钟 |
基线核验的典型检查项包括但不限于：
- 基础设施层： CPU/内存/磁盘使用率、网络连通性、DNS解析
- 中间件层： 数据库连接池、消息队列积压、缓存命中率
- 应用层： 核心接口可用性、错误率、响应时间P99
- 安全合规层： 证书有效期、密钥轮转状态、防火墙规则
- 变更审计层： 上一班次是否有未回滚的变更、配置漂移检测
常见误区： 部分团队将基线核验视为"形式化检查"，仅做简单ping或登录查看。真正的基线核验应具备自动化、可量化、可追溯三个特征，通过脚本或工具生成标准化的核验报告。