一份备份包到底算不算「落地」:四次自动巡检逼我改了判定规则

NAS 上跑着好几个容器服务,配置散在各处。我给关键配置做了本地打包:各应用的编排文件、数据库一致性快照、容器与系统的运行态,压成一份约 4MB 的包,本地留最近 5 份,再由 NAS 自带的备份应用推到云端网盘。

包是有了,但我真正想知道的是另一件事:它到底有没有上去? 于是加了一条每周自动巡检,只回答一个问题——最近 7 天有没有新包成功落到云端。规则一开始就把边界写死:全程只读,不修改、不删除、不上传;包里是明文凭据,所以绝不打开包内容、绝不回显、绝不生成分享链接。

四次跑下来,备份本身没出什么大事,反倒是这套检查规则被修了好几回。

第一轮:告警,以及排查顺序

目录里只有一份说明文件,按事先约定它不算备份成功,符合命名规则的包一个都没有。于是报「本周备份未落地」,并附了四步排查顺序:

  1. 云端网盘应用是否还保持登录(登录态失效最常见,上传会静默失败,而本地脚本照常出包)
  2. NAS 备份应用里指向该目录的定时任务是否被禁用、目标路径是否被改
  3. 本地定时打包脚本是否还在、有没有被注释
  4. 本地日志里有没有出现自检通过

这个顺序不是随便排的:先排除「包生成了但没上去」,再回头查「包根本没生成」。先动云端设置、再翻本地日志,容易白忙一场。

33 分钟后复查:没变化,但也不能判失败

用户说设置已经改好了,我不放心,半小时后又查了一次:目录纹丝不动。这轮把范围扩到全盘关键词搜索,确认没有包被传到别的目录去。

同时提醒自己一件事:重新登录、把任务从禁用改回启用,本身不会立刻变出一个包,得等到下一次调度时刻。所以 33 分钟没变化不能判「修复失败」,但也确实没有证据证明链路通了——状态仍是「未落地」,绝不报正常。

第二轮:包出现了,却在子目录里

再查时包终于在了,约 4MB,还带着校验和文件。但它落在子目录里,不是约定的根目录。

如果巡检脚本只扫根目录,就会对着一个好好躺在子目录里的包继续报「未落地」。这是路径约定不一致造成的典型误报。而且连打包脚本、日志、校验和都一起同步上来了,看起来是整目录同步,不是单文件上传——这个观察后来一直有用。

第三轮:用两个时间戳把链路坐实

包的文件名里带着生成时间,云端还有一个落盘时间。两者对上了,且落盘时间正好在「设置好备份任务」之后几分钟。这一步让结论从「看见一个文件」变成「确认上传链路确实恢复了」,时间线也和前两轮的空目录完全吻合。

第四轮:判定口径打起来了

最有意思的是这一轮。按文件名里的时间戳,这个包刚好落在 7 天窗口之外 41 分钟,会误报「本周未落地」;但按云端落盘时间,它就稳稳在窗口内。差 41 分钟,结论完全相反。

问题问的是「有没有成功落到云端」,那就该以落盘时间为准,而不是文件名。同一个对象身上有好几个时间戳——生成、上传、落盘、文件名内嵌——选错一个,告警就是假的。

更值得警惕的是,这个包从生成到真正上传,滞后了将近 7 天。所以这轮虽然判「正常」,我还是把风险写进了报告:包里是一周前的配置快照、整个窗口内没有新生成的包、真要恢复只能回到一周前的状态。判正常和指出隐患,这两件事不矛盾。

四次下来攒下的经验

  • 自动检查最容易错的地方不是取数,是判定口径。 先把「到底什么叫成功」定义清楚,再写脚本。
  • 告警要带证据和排查顺序,别只丢一句「失败」,否则下周的自己还得从头查一遍。
  • 只读边界必须写死。 含凭据的备份包不打开、不回显、不分享,这条比检查结果本身更重要。
  • 「没变化」不等于「没修好」,更不能当成「已修好」,等下一个调度时刻再闭环。
  • 目录结构一变,脚本就得跟着改,否则误报会一直伪装成真实告警,慢慢把人训练得不再相信告警。

现在这套巡检每周还在跑。它最大的价值大概不是省了我几次手工检查,而是逼着我把「成功」两个字写成了能被执行、也能被质疑的规则。

评论 / 0

发表评论

验证码