国际站按地区灰度发布时，如何观察错误率并判断是否回滚？ | 全球代理

国际站的错误率不该按国家逐个设。先把共享同一套代码、机制和依赖的地区合成一个发布单元，每个单元给一条错误率基线和观察窗口，再把“连续 N 分钟超过基线几倍”写成熔断条件；核心路径完全不可用时直接回滚，不必等窗口跑完。测试和灰度时，用代理IP 把出口固定到目标地区，不同地区的错误率才有可比性。下面整理一套能照做的分组口径、阈值写法和演练记录表。

先按发布单元分组，不按国家分别看

错误率应以发布单元为单位观察，而不是把每个国家单独当成一条结论。先把使用同一版本、配置和依赖的地区归为一个单元，再为每个单元设定基线。同一版本、同一套地区配置、同一批依赖的一组地区，才能合成一个单元。确定分组后，可对照代理 IP 产品页整理目标地区清单，避免监控分组与实际测试范围不一致。原因是单个小市场的样本量太小，错误率的波动大部分是噪声；而把配置不同的地区混在一起，配置问题会被平均掉，看起来反而像“偶发”。

分组时给每个单元标注三件事：包含哪些地区、各占多少流量、当前配置版本。配置或依赖明显不同的地区单独拆出来，配置差异明显时应拆分单元，避免不同表现被汇总后掩盖。发布前先按风险缩减测试组合，把监控和人力留给高风险单元。出口类型也会影响基线：住宅 IP 走真实用户网络，机房 IP 延迟稳定，两类混在一张图里，波动会被误读成故障。

统一错误率口径并设置最小样本量

没有口径的错误率，涨了也不知道该不该动。分子默认算服务端错误和超时；4xx 先按业务定义分类——用户输入错误、未登录、权限不足单独统计，不混进可用性，影响核心路径的 4xx（如地区策略拦截、回调地址错误）单列告警或并入对应服务指标。分母用有效请求总数，不用 UV：请求级错误率 = 错误请求数 ÷ 有效请求总数，同一个用户重试只会增加请求数，不会让分母变大十倍。若要观察“受影响用户比例”，分子分母都要换成用户口径（受影响用户数 ÷ 活跃用户数），不能拿错误请求数去除以 UV。重试、超时、4xx 的纳入规则要在统计前写进口径文档，否则同一张图换个算法就能得出不同结论。

小市场应设最小样本量。若指标涉及代理出口的连通性或延迟，可另参考代理 IP 可用率、延迟和稳定性测试，不要把网络指标与应用错误率混为一谈。例如，团队可以设定单窗口最低请求量；样本不足时，将该地区标记为数据不足，结合发布单元整体指标和核心路径监控判断。具体样本量需按流量和历史波动确定。文中的百分比和倍数只是阈值写法示例，实际回滚标准应根据业务影响、历史基线和团队响应能力确定。

用双窗口识别突发故障和持续恶化

一个窗口不够用，急跌和慢漂是两种完全不同的故障。两个窗口共用同一条基线，但判断逻辑分开。

5 分钟窗口触发时，先暂停放量还是回滚

五分钟窗看的是“还能不能用”，用绝对阈值判断，例如核心路径成功率低于 A%。A% 由团队按业务基线定，并同时设单窗口最小请求量；样本不足时先标“数据不足”，不按超阈值处理。它胜在快、输在噪声大，所以触发后的动作不是立刻全量回滚，而是按下一节的统一模板走：达到最小样本且持续满足短窗阈值 → 暂停放量或摘除受影响流量 → 按业务预案确认后回滚；核心路径完全不可用时不必等窗口，直接走紧急回滚。

1 小时窗口持续偏高时，怎样判断趋势

一小时窗看的是“是不是在变坏”，也可参考相对基线变化，例如 5xx 率达到基线 B 倍；A、B 两个值按历史波动和业务影响设定。慢速劣化靠趋势判断：可将连续多个窗口不收敛设为升级条件，单次越线先结合样本量与核心路径表现复核。

只用一个小时窗，整页挂掉要等一小时才动手；只用五分钟窗，慢速劣化永远触发不了。

把阈值写成值班人员能执行的回滚条件

回滚条件必须是一句能执行的话，不能是含糊的临场判断。若故障表现为连接超时或 TLS 错误，可先按连接超时、TLS 握手和代理出口稳定性记录确认是否属于出口链路问题，再按发布指标决定是否回滚。推荐写成两句：“当某单元连续 5 分钟、样本量不低于最小请求数、核心路径成功率低于 A% 时，值班人按预案确认后在 10 分钟内回滚到上一版本。”“当某单元 1 小时窗口内 5xx 率持续达到基线 B 倍时同样处理；基线接近 0 时改用绝对阈值，避免倍数失效。核心路径完全不可用时可跳过确认直接紧急回滚。”

同时把三个角色写死：谁有权发起回滚、回滚到哪个版本号、回滚后由谁确认恢复。缺一项，真出事时就会卡在“谁来拍板”上。这里的 A%、B 倍、10 分钟都是示例值，按业务影响设定；“问题集中在单一地区且流量占比低于 5% 时只摘除该地区”同样是示例，低流量比例本身不能作为不回滚的理由。

用一次演练验证告警和回滚流程

阈值没演练过，第一次真正用它，往往就是故障当天。在测试环境把错误率人为推高，完整走一遍告警、判断、回滚、恢复确认，记录每一步耗时。若演练耗时超过团队约定的响应目标，应检查值班链路、告警送达和操作权限，再决定是否调整流程。

> 表格中的阈值、用例编号和结果如无测试记录支持，均应视为演示样例；实际验收标准以项目需求、历史基线或团队约定为准。

演练记录可分别填写告警触发、值班确认、执行回滚和指标恢复的时间。若要展示时间线，应标为单次演练示例，不把示例耗时当作响应承诺。

FAQ

错误率基线多久更新一次？

每月或每个大版本后重算。用半年前的数字，阈值会失真。

错误率回落就说明恢复了吗？

不一定。先看请求量回来没有，流量被摘走时错误率也会降。

灰度期间两个版本怎么比？

同单元、同窗口，只差版本号。跨地区比没有意义。

回滚之后还要做什么？

确认成功率回到基线，再决定是否重新放量。别在未确认时二次发布。