跳到主要内容

C3-10-监控、日志、审计与故障排查-本章目标与先看完整业务链路与服务在这条链路中的职责与如果从最简单架构逐步演进与设计时真正要做的判断与同一架构还必须从四个横向视角检查与故障、风险与替代路径与与-C2-知识的连接与与后续-C4-题库解析的关系与本章检查清单与本章最后要形成的架构直觉

本篇是《C3-10-监控、日志、审计与故障排查》的第1个分篇，主要包含：本章目标、先看完整业务链路、服务在这条链路中的职责、如果从最简单架构逐步演进、设计时真正要做的判断、同一架构还必须从四个横向视角检查、故障、风险与替代路径、与-C2-知识的连接、与后续-C4-题库解析的关系、本章检查清单、本章最后要形成的架构直觉。

1-本章目标​

用一个故障排查流程固定 CloudWatch / CloudTrail / Config / Systems Manager 的职责边界。

这一层已经不是“服务是什么”的 C2，而是要回答：**为什么把这些服务这样组合，以及需求变化时架构为什么也要变化。

**。

2-先看完整业务链路​

Application/Infrastructure
      │
      ├── Metrics/Logs ─────→ CloudWatch ─→ Alarm
      │
      ├── AWS API Activity ─→ CloudTrail
      │
      └── Resource Config ───→ AWS Config

发现问题 → Systems Manager / Automation / Runbook
基础设施变更 → CloudFormation
趋势优化 → Trusted Advisor / Compute Optimizer

读这张图时建议沿四条线同时看：

  1. Request Path：用户请求怎么进来、经过哪里、在哪里返回。

  2. Data Path：数据在哪里读写、缓存、复制、分析。

  3. Failure Path：某个节点失败后，流量和数据怎么继续。

  4. Control Path：IAM、监控、审计、IaC、成本怎样横向控制整条链路。

3-服务在这条链路中的职责​

层/服务解决的问题为什么放在这里
CloudWatch运行状态CPU、请求量、错误率、日志、Alarm
CloudTrailAWS API 审计谁修改了资源/调用了 API
AWS Config资源配置与合规资源现在/曾经怎么配置
Systems Manager集中运维与自动化Patch、Run Command、Automation 等
CloudFormationIaC让环境可重复部署和审计
Trusted Advisor最佳实践建议跨多个最佳实践类别
Compute Optimizer规格优化基于使用数据给 Rightsizing 建议

4-如果从最简单架构逐步演进​

4.1-第一阶段：先让业务跑起来​

最初实现通常会把组件尽量减少，例如单个应用节点、一个数据库、一个对象存储。

这样开发快，但很快会暴露容量、单点、权限和运维问题。

4.2-第二阶段：把单点和性能瓶颈拆开​

开始引入多实例、缓存、托管数据库、独立存储、异步组件等。

此时最重要的变化不是“服务变多”，而是职责被拆开：计算不再承担持久化，数据库不再承担静态文件，核心事务不再等待外围任务。

4.3-第三阶段：让系统可以长期运营​

再加入 Multi-AZ、监控告警、审计、加密、自动化部署、预算与治理。

架构从“能运行”变成“能在故障、流量高峰、人员变化和合规要求下持续运行”。

4.4-第四阶段：只有业务真的需要时才增加更高复杂度​

Multi-Region、复杂事件驱动、跨账号治理、数据湖、AI 等都不是“默认越多越好”。

它们会带来额外成本、数据一致性和运维复杂度，应由明确业务约束驱动。

5-设计时真正要做的判断​

5.1-CPU-高了看谁？​

CloudWatch。

5.2-谁把-SG-改成-0.0.0.0/0？​

CloudTrail 用来查 API 操作。

Config 可看配置变化与合规。

5.3-系统打补丁用什么思路？​

Systems Manager 属于运维控制面，不要和 CloudWatch 监控混。

5.4-为什么-IaC-是运维能力？​

因为重复、可审计、可版本化部署可以减少手工漂移。

6-同一架构还必须从四个横向视角检查​

6.1-Security-/-Identity​

  • 谁在访问？

Human、Application、AWS Service 还是外部系统？

  • 能否使用 IAM Role / Federation / 临时凭证，避免长期硬编码 Access Key？
  • 数据是否需要 KMS 加密、Secrets Manager 管理 Secret、TLS 保护传输？
  • 网络开放是否遵循最小暴露原则？

6.2-Observability-/-Operations​

  • CloudWatch 是否能看到关键 Metrics、Logs 和 Alarm？
  • CloudTrail 是否能回答“谁修改了 AWS 资源”？
  • AWS Config 是否能看到关键配置变化/合规状态？
  • 是否有清晰的 Runbook、重试、恢复和 IaC 方式？

6.3-Reliability-/-Recovery​

  • 单实例、单 AZ、单数据库、单 Region 中哪些仍然是 SPOF？
  • 数据恢复依赖 Backup、Replication 还是重新计算？
  • RTO/RPO 是否由业务明确，而不是架构师凭感觉决定？

6.4-Cost-/-Efficiency​

  • 哪些资源必须 24x7，哪些可以随需求扩缩？
  • 哪些数据是热数据、冷数据、归档数据？
  • 是否存在因为“为了保险”长期保留的过度配置？
  • 成本是否能够通过 Account/Tag/Cost Explorer 归属到业务？

7-故障、风险与替代路径​

  • 只有告警没有 Runbook：发现问题但无法快速处理。
  • 直接 Console 手改生产：容易产生配置漂移。
  • 日志没集中：故障时难以还原链路。
  • 监控只看 CPU：真正 SLO 还包括延迟、错误率、业务指标。

7.1-一个通用故障推理模板​

组件 X 失败
   ↓
它是有状态还是无状态？
   ↓
是否存在冗余实例 / AZ / Region？
   ↓
流量如何发现故障并绕开？
   ↓
数据从哪里恢复？
   ↓
CloudWatch / CloudTrail / Config 能否解释发生了什么？
   ↓
恢复后如何避免再次发生？

8-与-C2-知识的连接​

  • C2-10：Observability/Operations/IaC
  • C2-16：Operational Excellence

9-与后续-C4-题库解析的关系​

C3 不以背题库答案为目标。

进入 C4 后，同一个场景会被拆成很多单点选择题。

例如架构图里只有一条“用户访问链路”，考试可能分别问 DNS、CDN、WAF、Load Balancer、Auto Scaling、数据库、Cache、监控。

正确复习方式是先能在 C3 中解释完整链路，再去 C4 看题目把哪个局部切出来考。

10-本章检查清单​

  • 我能不看图，按顺序说出请求/数据经过哪些层。
  • 我能解释每个服务为什么存在，而不只是说服务定义。
  • 我能指出至少一个 SPOF，并说出如何缓解。
  • 我能区分性能优化与高可用优化。
  • 我能区分网络访问控制与 IAM 权限。
  • 我能指出哪些数据是 Source of Truth，哪些只是 Cache/派生数据。
  • 我能说明出现故障后去 CloudWatch / CloudTrail / Config 分别查什么。
  • 我能说出一个成本优化点，同时说明它不能破坏什么业务约束。
  • 我能说明如果业务规模缩小，哪些组件可以被简化。
  • 我能说明如果 RTO/RPO 变严格，架构为什么会更复杂/更贵。

11-本章最后要形成的架构直觉​

不要问“这个架构用了哪些 AWS 服务”，而要问：每一层正在解决什么业务约束、故障模式和运维责任。

如果约束变化，服务选择是否也应该变化。

本篇概述​

  • 本篇梳理了本章目标相关的核心知识、适用场景与判断要点。
  • 本篇梳理了先看完整业务链路相关的核心知识、适用场景与判断要点。
  • 本篇梳理了服务在这条链路中的职责相关的核心知识、适用场景与判断要点。
  • 本篇梳理了如果从最简单架构逐步演进相关的核心知识、适用场景与判断要点。
  • 本篇梳理了设计时真正要做的判断相关的核心知识、适用场景与判断要点。
  • 本篇梳理了同一架构还必须从四个横向视角检查相关的核心知识、适用场景与判断要点。
  • 本篇梳理了故障、风险与替代路径相关的核心知识、适用场景与判断要点。
  • 本篇梳理了与-C2-知识的连接相关的核心知识、适用场景与判断要点。
  • 本篇梳理了与后续-C4-题库解析的关系相关的核心知识、适用场景与判断要点。
  • 本篇梳理了本章检查清单相关的核心知识、适用场景与判断要点。
  • 本篇梳理了本章最后要形成的架构直觉相关的核心知识、适用场景与判断要点。

返回本章总述｜查看本章概述