一个很常见的局面:服务器超过二十台之后,没有人能说清到底有多少个备份任务在跑、哪些已经连续失败了两周。不是没人负责,而是缺一张能一眼看完的台账。

先建一张任务台账

  • 字段不用多,八个够用:系统名、备份对象(库名或目录)、备份类型、执行时间、目标位置、保留期、负责人、最近一次成功时间。
  • 台账放共享文档或工单系统,不要放某个人电脑里。系统上线、迁移、下线时同步更新,这一条写进流程。
  • 每周更新一次「最近一次成功时间」,超过 48 小时没更新的行标红。标红本身就是最强的管理动作。

四条巡检规则

  • 连续两次失败必须升级:第一次失败可以自动重试,第二次失败就要通知到人,第三次失败进周会。不要等攒够十次。
  • 容量超 80% 预警:备份盘使用率到 80% 就告警,到 90% 就必须处理。磁盘写满导致的备份失败,恢复时往往已经错过好几天。
  • 每月抽查一次恢复:随机挑一个任务,恢复一个文件或一张表,记录耗时。抽查不需要全流程,十几分钟就能做。
  • 每季度全流程演练:选一个核心系统,从备份文件开始完整恢复到可用状态,出报告。这份报告在审计和事故复盘时是唯一硬证据。

用告警替代人工记忆

  • 脚本层面:备份命令执行后检查退出码和文件大小,异常时调用企业微信或钉钉的 webhook 发消息。
  • 监控层面:把备份任务的退出码、耗时、文件大小写进 Prometheus 或 Zabbix,配三条告警规则——失败、耗时翻倍、大小异常缩小。
  • 看板层面:三张图就够,任务成功率、备份总量趋势、最近一次演练时间。前两张看健康度,第三张看团队有没有真的在做。

行动建议:本周先把台账建起来,哪怕只有十行、字段不全。台账存在的那一刻,「备份到底有没有在跑」这个问题就有了答案,后面所有优化都从这个答案开始。