合成监控与主动拨测：从探针到全局视图

合成监控：探针模拟，主动发起（无流量也能测、可多地域、基线稳定）
RUM：真实用户上报（真实体验、覆盖全、分设备/地域）

结论：合成回答"系统可用吗"，RUM 回答"用户爽不爽"

典型适用：
  - 无人值守服务（批处理、定时任务）
  - 健康检查外的"业务流程级"验证（登录/下单/支付）
  - 发布后立即回放关键路径（金丝雀验证）
  - 第三方依赖与 CDN 可用性（能测到 DNS/TLS/证书）
  - 各地域网络质量横向对比

不适用：需要精确用户画像/转化漏斗（那是 RUM 的事）

HTTP(S) Probe：最基础，检查状态码、响应时间、响应体关键字、TLS 证书
多步骤示例：GET /healthz → 200；POST /api/v1/login → 拿 token；
  GET /api/v1/orders（带 token）→ 断言返回订单列表
注意：探针请求带可识别 UA/Header，便于后端区分

Browser Probe：真实浏览器内核执行脚本（渲染/JS 错误/关键元素/交互）
  成本：比 HTTP 探针贵 10~100 倍，频率要低
脚本要点：等待关键元素而非固定 sleep；断言无 console error；
  记录 LCP/CLS 当基线；失败截图 + 视频回放

API Probe：校验"业务接口契约"（状态码、响应 schema、业务字段）
TCP Probe：端口连通性与握手耗时（适合数据库/中间件探活）
DNS Probe：A/AAAA 记录、解析耗时、按解析服务器对比
证书 Probe：TLS 证书有效期与链，提前 30 天预警过期

拨测要回答：北京/乌鲁木齐/海外可用吗？电信/联通/移动体验如何？
设计：地域按用户分布（华东/华北/华南 + 海外节点）；
  运营商每地域至少电信/联通/移动；
  频率：关键路径 1m、业务流程 5m、浏览器 10m
矩阵示例：
  上海电信 HTTP 1m 200ms / 广州移动 HTTP 1m 250ms /
  新加坡 AWS Browser 10m 2.5s LCP

探针主机选择：
  - 第三方拨测平台（节点分布广）
  - 自建探针（自身机房/边缘节点，覆盖内部网络）
  - 混合：公网用厂商，内网/云内用自建

关键设计：
  - 探针与目标网络路径多样化（避免同路径集体假死）
  - 探针本身要有监控（探针挂了不是服务挂了）
  - 结果按"地域×运营商"分维度展示，别只留均值

状态断言：status == 200（或 2xx/3xx 白名单）；证书剩余天数 > 30
内容断言：响应体包含 "orderId"；不包含 "internal error"
性能断言：TTFB < 300ms、总响应 < 1s、LCP < 2.5s
流程断言（多步）：每步状态码 + 上一步产物传给下一步

好阈值 = 多条件 + 短窗口 + 与基线对比
反例：仅"某一次失败即告警"→ 抖动频报
正例：连续 2 个周期失败 或 5 分钟失败率 > 50% 才告警
经验：可用性连续失败 2~3 次判故障；延迟 P95 超基线 2 倍持续
  5 分钟告警；内容断言 3 次以上才告警

P0：核心流程不可用（登录/下单 连续失败）→ 立即告警
P1：性能劣化（LCP > 3s 持续）→ 页面级告警
P2：非关键页面/功能 → 汇总日报，不逐条告警
好处：减少噪音，值班只看 P0/P1

合成监控的告警要"进"统一体系，不要孤立：
  - 触发事件写进事件总线/告警平台
  - 告警带失败详情（截图、响应体、trace_id）
  - 复用既有通知策略（路由、升级、静默）

典型联动：
  拨测失败 → 生成事件 → 关联最近发布/变更
  → 推送值班 → 附带一键跳转排障面板

主备（Primary/Backup）策略：
  同一目标用多个地域探针，结论以"多数派"为准
  单一地域失败 → 可能地域网络问题，不算服务故障
  多数地域失败 → 判定服务真实故障，告警升级

降噪手段：
  - 拨测失败但 5xx 率/RUM 正常 → 可能是探针问题，先自检
  - 维护窗口自动静默（发布窗口）
  - 探针自身告警与目标告警分开

SLO 数据来源：服务器端指标（内部视角）或合成拨测（外部视角）
合成口径优势：覆盖无流量时段、多地域一致、走真实协议栈
示例 SLI：可用性 = 成功拨测 / 总拨测（30 天滑动）
  Error Budget = 1 - SLO（如 99.9%，预算 43.8 分钟/月）

全局仪表盘层次：
  1. 总览：全局可用性/延迟趋势 + 地域热力图
  2. 服务视图：按服务聚合的探针成功率/时延
  3. 单次详情：失败快照（响应体、截图、trace）

钻取路径：
  热力图发现"华南移动变慢" → 点进地域×运营商维度
  → 看延迟分布 → 定位到具体探针与目标

对账方法：同一时段 合成延迟 vs RUM 延迟对比，偏差大就查
价值判断：
  合成稳定 + RUM 劣化 → 真实用户侧问题（新版本回归）
  合成劣化 + RUM 正常 → 探针/网络问题
  两者都劣化 → 服务真实故障，可信度高

□ 合成保底线可用性，RUM 看真实体验；探针成本分层
□ 关键路径 1m、业务流程 5m、浏览器 10m
□ 多地域×多运营商覆盖，结论用多数派判定
□ 断言用"状态+内容+性能+流程"组合
□ 阈值用连续失败/窗口失败率，不用单点
□ 告警进统一体系，带证据、可静默、按 P0/P1 分级
□ 用合成数据计算可用性 SLO，与内部口径互补
□ 定期合成 vs RUM 对账，偏差要排查
□ 探针自身也要监控，别把探针故障当服务故障

合成监控 = 主动拨测保底线 + 多地域多数派判故障 +
告警带证据 + 喂 SLO 与 RUM 对账，让可用性看得见全局。