参考资料

• OpenTelemetry Traces
• Prometheus Alerting Rules
• Google SRE Workbook：Monitoring

定时任务（05） - 任务监控与故障恢复

读完后，你应能完成以下任务：

• 绘制“定时任务（05） - 任务监控与故障恢复 / 监控三层成功”的关键对象与数据流，解释“三者必须分开：一个任务可能准时运行并返回 0，却因为查询条件错误处理了零条数据。”，并用源码位置、日志或 Trace 标注证据。
• 为“定时任务（05） - 任务监控与故障恢复 / 核心指标与告警”设计正常与异常输入，验证“成功、失败、重试、超时和取消数量。”，输出首个偏差位置与回归测试结果。
• 实现“定时任务（05） - 任务监控与故障恢复 / 故障恢复流程”的最小代码或配置，检验“止损：暂停新调度或限制并发，保护数据库和下游。 -> 定位：区分未触发、未领取、运行失败、卡住和结果错误。 -> 评估：确定受影响时间、租户、分片和副作用。 -> 修复：部署代码/配置或修复数据，在隔离样本验证。”，输出命令、结果与 Diff，并说明不适用边界。

一、先建立全局：任务监控与故障恢复 是什么？

理解“任务监控与故障恢复”，先要把标题中的对象放进同一条处理链：它接收什么输入，经过哪些状态变化，最终用什么证据判断结果。下表不另造概念，只把作者正文已经解释的章节按依赖顺序连起来。

“任务监控与故障恢复”的第一个核心判断是：三者必须分开：一个任务可能准时运行并返回 0，却因为查询条件错误处理了零条数据。。先弄清这个判断中的对象和输入输出，后面的实现、故障和验收才有共同语境。

顺序	章节	读完本节应抓住的结论
1	监控三层成功	三者必须分开：一个任务可能准时运行并返回 0，却因为查询条件错误处理了零条数据。
2	核心指标与告警	成功、失败、重试、超时和取消数量。
3	故障恢复流程	止损：暂停新调度或限制并发，保护数据库和下游。 -> 定位：区分未触发、未领取、运行失败、卡住和结果错误。 -> 评估：确定受影响时间、租户、分片和副作用。 -> 修复：部署代码/配置或修复数据，在隔离样本验证。
4	恢复边界与演练	恢复后先对账任务状态与业务事实，再决定哪些 Execution 可继续、重试或标记终止。
5	调度成功表示 Trigger 已产生	调度成功表示 Trigger 已产生，
6	执行成功表示 Worker 无异常结束	执行成功表示 Worker 无异常结束，

1.1 核心对象之间怎样衔接

flowchart LR
  S1["监控三层成功"] --> S2
  S2["核心指标与告警"] --> S3
  S3["故障恢复流程"] --> S4
  S4["恢复边界与演练"] --> S5
  S5["调度成功表示 Trigger 已产生"]

这张图只表达本文的讲解顺序，不替代正文机制。判断“任务监控与故障恢复”是否真正掌握，需要能从最后一个结果沿图回到前面每个章节的输入、状态变化和证据。

1.2 再看失败：问题最早会出现在哪一步？

在“任务监控与故障恢复”的对象和顺序已经明确后，再看可观察的失败：计划退化、死锁、热点击穿、消息重复丢失或恢复后数据不一致。定位时不从最后一条错误猜原因，而是沿上图找第一个偏离正文结论的节点。

二、监控三层成功

调度成功表示 Trigger 已产生， 执行成功表示 Worker 无异常结束， 业务成功表示预期数据或外部结果正确。 三者必须分开：一个任务可能准时运行并返回 0，却因为查询条件错误处理了零条数据。

执行记录至少包含 job_id、execution_id、计划时间、实际开始/结束、节点、分片、状态、重试次数、处理数量、水位和 trace_id。 指标按任务和环境聚合，租户等高基数字段放日志或 Trace，避免把监控系统打爆。

三、核心指标与告警

• 调度延迟：实际开始减计划时间。
• 运行时长与 P95/P99：识别逐步变慢和卡死。
• 成功、失败、重试、超时和取消数量。
• 待处理、处理成功、跳过、死信和业务对账差异。
• 上次成功时间与连续失败次数。

告警应基于业务时间窗口。 例如“每日 03:00 前必须完成对账”比单次异常更接近用户影响； 同时保留异常率和卡死告警以便提前介入。 告警包含任务、执行 ID、影响范围、Dashboard、日志和 Runbook 链接。

四、故障恢复流程

1. 止损：暂停新调度或限制并发，保护数据库和下游。
2. 定位：区分未触发、未领取、运行失败、卡住和结果错误。
3. 评估：确定受影响时间、租户、分片和副作用。
4. 修复：部署代码/配置或修复数据，在隔离样本验证。
5. 补跑：指定业务窗口和幂等键，限速执行并持续对账。
6. 收尾：恢复调度、确认水位、关闭临时开关并复盘。

补跑不能默认“从头再来”。 保存 Checkpoint 和业务水位，选择失败范围； 涉及通知、扣款等副作用时启用 Dry-run 或审批，并记录操作人和原因。

五、恢复边界与演练

调度平台数据库也需要备份和恢复，但执行状态可能已与真实业务分叉。 恢复后先对账任务状态与业务事实，再决定哪些 Execution 可继续、重试或标记终止。 不能把备份中的 Running 任务直接当成仍有执行者。

演练包括调度中心不可用、执行器批量离线、数据库限流、消息积压和错误版本发布。 衡量检测时间、止损时间、恢复时间和数据差异，复盘产出具体门禁与自动化，而不是只写“加强监控”。

验收清单

• 每个关键任务有完成时限、业务结果指标和最近成功时间。
• 告警能直接定位 Execution、日志、Trace 与 Runbook。
• 补跑支持范围、限速、Dry-run、审批和幂等。
• 调度平台恢复后会与业务数据对账，不盲信旧状态。

六、动手验证：先跑通 任务监控与故障恢复，再改变一个变量

前面的章节已经建立问题、概念和机制。现在把“任务监控与故障恢复”放进同一套基线中运行；本节不再引入新术语，只验证前文结论能否被复现。

6.1 基线与候选只允许一个变量不同

验证“任务监控与故障恢复”时，先固定数据快照、并发条件、客户端配置、拓扑和故障注入点。候选方案只能改变本次要验证的变量；如果同时更换数据、依赖和配置，即使结果改善，也不能知道是哪一项产生作用。

执行“任务监控与故障恢复”时，动作是：执行正常读写与故障场景，记录查询计划、锁、复制或消费状态。原始结果不能只保留截图或汇总分数，必须同步保存：执行计划、慢日志、锁等待、Offset、复制延迟、指标和数据校验，使下一次复查可以在同一输入上重放。

实验要素	本文要求
固定条件	固定数据快照、并发条件、客户端配置、拓扑和故障注入点
唯一变量	本次候选方案与基线之间的一项明确差异
原始证据	执行计划、慢日志、锁等待、Offset、复制延迟、指标和数据校验
通过阈值	一致性与性能满足正文约束，故障恢复后没有丢失或重复副作用
立即停止	计划退化、死锁、热点击穿、消息重复丢失或恢复后数据不一致

6.2 执行前先排除不可比较条件

“任务监控与故障恢复”开始前先确认下面四项；任一项不成立，都应先修复实验条件，而不是解释结果。

• 基线能够在“任务监控与故障恢复”的当前环境重复运行。
• 候选只改变一个与“任务监控与故障恢复”结论直接相关的条件。
• “任务监控与故障恢复”的基线和候选使用同一批输入、同一版本依赖与同一通过阈值。
• “任务监控与故障恢复”的原始输出和失败现场不会被重试、格式化或汇总覆盖。

6.3 执行后先核对证据完整性

结果出来后先检查证据，再讨论“任务监控与故障恢复”是否通过。缺少中间状态时，最终输出只能说明现象，不能证明机制。

检查项	当前文章的判定
输入可追溯	固定数据快照、并发条件、客户端配置、拓扑和故障注入点
过程可回放	执行正常读写与故障场景，记录查询计划、锁、复制或消费状态
结果可审计	执行计划、慢日志、锁等待、Offset、复制延迟、指标和数据校验

“任务监控与故障恢复”的一次合格基线对照按以下顺序执行：

1. 保存“任务监控与故障恢复”基线版本及输入摘要，确认基线本身可以重复运行。
2. 写下“任务监控与故障恢复”候选方案唯一变化的变量，以及它预期影响的指标。
3. 在同一环境执行“任务监控与故障恢复”：执行正常读写与故障场景，记录查询计划、锁、复制或消费状态。
4. 为“任务监控与故障恢复”保存：执行计划、慢日志、锁等待、Offset、复制延迟、指标和数据校验。
5. 使用“任务监控与故障恢复”预登记条件判断：一致性与性能满足正文约束，故障恢复后没有丢失或重复副作用。
6. 如果“任务监控与故障恢复”未通过，不修改第二个变量，先恢复基线并保留失败现场。

七、用一张矩阵验证 任务监控与故障恢复 的关键结论

矩阵按正文顺序列出“任务监控与故障恢复”的结论。一次实验只选择一行，只改变这一行对应的条件；不要把多行合并成一个无法归因的大实验。

正文章节	已解释的结论	本轮唯一变量	必须保存的证据
监控三层成功	三者必须分开：一个任务可能准时运行并返回 0，却因为查询条件错误处理了零条数据。	只改变与“监控三层成功”相关的条件	执行计划、慢日志、锁等待、Offset、复制延迟、指标和数据校验
核心指标与告警	成功、失败、重试、超时和取消数量。	只改变与“核心指标与告警”相关的条件	执行计划、慢日志、锁等待、Offset、复制延迟、指标和数据校验
故障恢复流程	止损：暂停新调度或限制并发，保护数据库和下游。 -> 定位：区分未触发、未领取、运行失败、卡住和结果错误。 -> 评估：确定受影响时间、租户、分片和副作用。 -> 修复：部署代码/配置或修复数据，在隔离样本验证。	只改变与“故障恢复流程”相关的条件	执行计划、慢日志、锁等待、Offset、复制延迟、指标和数据校验
恢复边界与演练	恢复后先对账任务状态与业务事实，再决定哪些 Execution 可继续、重试或标记终止。	只改变与“恢复边界与演练”相关的条件	执行计划、慢日志、锁等待、Offset、复制延迟、指标和数据校验
调度成功表示 Trigger 已产生	调度成功表示 Trigger 已产生，	只改变与“调度成功表示 Trigger 已产生”相关的条件	执行计划、慢日志、锁等待、Offset、复制延迟、指标和数据校验
执行成功表示 Worker 无异常结束	执行成功表示 Worker 无异常结束，	只改变与“执行成功表示 Worker 无异常结束”相关的条件	执行计划、慢日志、锁等待、Offset、复制延迟、指标和数据校验

7.1 记录本次实际实验

下面的记录用于“任务监控与故障恢复”当前这一次实验，不是第二套知识目录。先从矩阵选择一个章节，再填写实际值；没有填写的字段表示尚未验证。

topic: "任务监控与故障恢复"
selected_chapter: required
claim_from_article: required
baseline_version: required
changed_condition: exactly_one
execution: "执行正常读写与故障场景，记录查询计划、锁、复制或消费状态"
evidence: "执行计划、慢日志、锁等待、Offset、复制延迟、指标和数据校验"
pass_when: "一致性与性能满足正文约束，故障恢复后没有丢失或重复副作用"
stop_when: "计划退化、死锁、热点击穿、消息重复丢失或恢复后数据不一致"
observed_result: required
first_deviation: null_or_evidence
recovery_replay: required_after_failure

7.2 边界实验必须证明能够停止和恢复

成功路径只能证明“任务监控与故障恢复”在当前样本上工作，不能证明它可以进入生产。边界实验需要主动制造：计划退化、死锁、热点击穿、消息重复丢失或恢复后数据不一致，并观察系统是否在产生不可逆副作用前停止。

场景	只改变什么	应保存什么	通过标准
正常路径	使用已知有效输入	执行计划、慢日志、锁等待、Offset、复制延迟、指标和数据校验	一致性与性能满足正文约束，故障恢复后没有丢失或重复副作用
边界路径	把一个输入推进到约束临界值	临界值前后的输出与指标	不静默降级，不把部分结果冒充成功
明确失败	注入：计划退化、死锁、热点击穿、消息重复丢失或恢复后数据不一致	原始错误、首个异常阶段和最终状态	失败被正确分类且没有扩大副作用
恢复重放	执行：从数据入口、存储状态、复制消费链路和恢复步骤定位根因	原失败样本的复测证据	原样本恢复，正常样本没有回归

恢复动作不是简单重启。对于“任务监控与故障恢复”，第一步是：从数据入口、存储状态、复制消费链路和恢复步骤定位根因。完成后使用原始失败样本复测；只验证一个新样本成功，不能证明触发条件已经消失。

“任务监控与故障恢复”边界实验结束后，应把正常、临界、失败和恢复四类记录放在同一个运行批次中。这样才能区分“候选方案真的修复问题”和“环境变化让问题暂时没有出现”。

八、任务监控与故障恢复 的结果解释

解释“任务监控与故障恢复”实验时先看首个偏差，而不是最后一条错误。最后的异常通常只是上游状态错误的结果；从末端反推容易误把症状当根因。

观察结果	可以支持的判断	下一步
主链路没有达到预期	计划退化、死锁、热点击穿、消息重复丢失或恢复后数据不一致	先执行：从数据入口、存储状态、复制消费链路和恢复步骤定位根因
异常链路无法恢复	计划退化、死锁、热点击穿、消息重复丢失或恢复后数据不一致	先执行：从数据入口、存储状态、复制消费链路和恢复步骤定位根因
新样本成功但原样本仍失败	修复没有覆盖原始触发条件	固定原失败输入，恢复基线后重新比较
指标改善但证据无法回链	数据、版本或中间状态没有固定	暂停发布，补齐可追溯记录后重跑

“任务监控与故障恢复”只有同时满足“一致性与性能满足正文约束，故障恢复后没有丢失或重复副作用”，并且没有出现“计划退化、死锁、热点击穿、消息重复丢失或恢复后数据不一致”，才可以认为主链路通过。这里的“通过”只对当前固定版本、样本和环境有效，不能外推到尚未测试的容量、权限或数据分布。

如果“任务监控与故障恢复”候选方案与基线差异很小，先检查证据分辨率是否足够；如果差异很大，先排除数据泄漏、环境漂移和版本不一致。两种情况都不能只看一个汇总均值，需要回到逐样本输出和中间状态。

“任务监控与故障恢复”故障定位完成后，记录“现象、首个偏差、根因、改动、原样本复测”五项。缺少原样本复测时，只能标记为待观察，不能标记为已解决。

九、任务监控与故障恢复 的发布判断

发布判断需要把“任务监控与故障恢复”的质量、失败边界和恢复能力放在同一份记录中。以下任一条件缺失，都应停止扩量，而不是用“基本正常”替代证据。

• “任务监控与故障恢复”的基线与候选只存在一个计划内变量。
• “任务监控与故障恢复”的输入、代码、依赖、配置和数据版本可以追溯。
• “任务监控与故障恢复”的正常、临界、失败和恢复样本使用同一套断言。
• “任务监控与故障恢复”的原始输出、中间状态和失败现场已经保留。
• “任务监控与故障恢复”的日志、Trace、截图和测试数据已经脱敏。
• “任务监控与故障恢复”的停止条件、负责人和回滚入口已经演练。
• “任务监控与故障恢复”尚未覆盖的输入、权限、容量和外部依赖已经登记。

最终记录至少包含基线版本、唯一变量、原始证据、首个偏差、恢复复测和发布责任人。没有参与本次修改的人如果不能据此重放“任务监控与故障恢复”的判断，就不能发布。

十、总结

• 监控三层成功：三者必须分开：一个任务可能准时运行并返回 0，却因为查询条件错误处理了零条数据。
• 核心指标与告警：成功、失败、重试、超时和取消数量。
• 故障恢复流程：止损：暂停新调度或限制并发，保护数据库和下游。 -> 定位：区分未触发、未领取、运行失败、卡住和结果错误。 -> 评估：确定受影响时间、租户、分片和副作用。 -> 修复：部署代码/配置或修复数据，在隔离样本验证。
• 恢复边界与演练：恢复后先对账任务状态与业务事实，再决定哪些 Execution 可继续、重试或标记终止。