Azure代理開戶服務 Azure App Service日誌監控設定

第一章：為什麼要做 App Service 日誌監控

很多團隊對監控的理解停留在「網站掛了就看告警」。但在實務上，真正拖慢交付的往往不是宕機本身，而是那些不容易被即時看見的問題：某個 API 偶發 500、某段行為導致延遲飆升、上線後錯誤率緩慢上升、特定地區流量異常、或是服務端慢查詢慢到快把資源吃滿。

App Service 的日誌，是把這些問題「變成可追溯的證據」。它讓你能回答三個最關鍵的問題：發生了什麼、發生在什麼條件下、發生在什麼時間節點。當你把日誌和告警串起來，就不只是事後排查，而是提前發現風險。

更重要的是，日誌監控不是單純「打開開關」而已。你需要知道有哪些日誌、它們的用途、如何把資料送到可查詢的位置、保留多久、以及如何避免告警噪音和不必要的成本。下面我會用一套可落地的流程，帶你把 Azure App Service 的日誌監控設定做完整。

第二章：先分清楚日誌類型與用途

在 App Service 裡常見的日誌來源，主要可以理解成三層：平台/基礎設施層的診斷資訊、應用程式層的錯誤與輸出、以及存取層的請求細節。它們的粒度不同、對應的排查問題也不同。

2.1 應用程式日誌：看錯誤與行為

這類日誌通常與你程式本身的行為強相關，例如例外堆疊、應用程式啟動/重啟訊息、以及框架或中介層輸出。當你遇到「只在某些請求出錯」或「上線後開始大量 500」時，應用程式日誌往往是第一手線索。

2.2 詳細錯誤與失敗追蹤：補齊排查上下文

詳細錯誤（通常包含更具體的錯誤細節）和失敗追蹤（Failing Request Tracing）可以提供更完整的呼叫鏈資訊。對於特定 HTTP 狀態碼（例如 404.5xx）或特定路徑的錯誤，這類資訊能快速定位是 pipeline 的哪一段出了問題。

2.3 HTTP 訪問日誌：看請求、延遲與規模

存取日誌記錄每個請求的重要維度，例如時間、方法、路徑、狀態碼、回應大小、處理時間等。你用它來分析流量型態、錯誤率趨勢、以及是否有某些 endpoint 異常。若搭配查詢與告警，你甚至可以直接對「某路徑錯誤率超標」或「延遲上升」下手。

2.4 平台診斷與資源健康：定位「服務端環境」問題

除了日誌，你還需要關注平台層的指標與事件，例如資源不足、重啟、或某些基礎設施事件。雖然這些不完全等同日誌，但把它們一起納入監控，能讓你在看見異常時更快判斷根因。

第三章：設定前的準備工作（別跳過）

在開始勾選日誌之前，先回答幾個問題：你要把資料送到哪裡？你希望如何查詢？你要多久清理？你是否需要告警？以及你能接受多大的成本。

Azure代理開戶服務 3.1 決定日誌的「目的地」

常見目的地主要有兩種：儲存到 Blob（便於長期留存與檔案式查閱），以及送到 Log Analytics（便於查詢、可視化、告警）。對多數需要告警或快速查詢的情境，我建議優先使用 Log Analytics，把查詢與分析集中化。

3.2 規劃保留策略

日誌保留不是越久越好。保留太久會造成成本上升，也會讓查詢變慢、篩選困難。你至少要定義「短期用於排查」與「中期用於趨勢分析」。例如：短期保留較短但足以支撐排查（例如數天到一兩週），中期保留用於追溯事件（例如一兩個月），長期保留再用更便宜的方式歸檔。

3.3 先定義告警需求與閾值

告警的本質是決策。你需要先想清楚：什麼狀況你要立刻介入？例如錯誤率超過某比例、某 endpoint 5xx 連續出現、或延遲超過某門檻。沒有這一步，你最後只會得到一堆你不會看的告警。

第四章：在 App Service 啟用日誌（基礎設定）

Azure代理開戶服務 接下來進入最常見的操作流程。實際入口名稱可能因訂閱介面版本略有差異，但核心邏輯一致：在 App Service 的「診斷設定」或「日誌」相關頁面，啟用所需類型，並指定目的地。

4.1 開啟 HTTP 訪問日誌

HTTP 訪問日誌適合用於分析請求與錯誤趨勢。一般做法是：在 App Service 設定中找到與「HTTP 訪問日誌」相關的選項，啟用後指定儲存位置（若要用 Log Analytics，就選擇相關送出）。同時注意你要不要收集所有請求，還是只針對特定條件。

建議實務：在早期上線階段，你可能需要更完整的資料；等服務穩定後，可以評估是否降採樣或調整級別，降低成本與噪音。

4.2 開啟應用程式日誌與詳細錯誤

應用程式日誌常見包含：應用程式輸出、錯誤訊息、以及框架層的資訊。搭配「詳細錯誤」能讓你在遇到 500 或例外時更快定位，不必把排查流程完全交給開發環境。

如果你啟用了太高的詳細級別，可能造成日誌量暴增。因此我通常會把策略設定成：平時維持能定位問題的必要層級；當你準備測試或進行疑難排查時，再短時間提升細節。

4.3 失敗追蹤（Failing Request Tracing）怎麼用

失敗追蹤適合針對特定狀態碼或時間窗來收集。你可以把它視為「針對異常的取證」。如果你把它長期開到極高頻率，資料量會很大，而且查詢也會更雜。

更好的方式是：先用 HTTP 訪問日誌和應用程式日誌找到主要問題，再針對疑似原因的時間窗或路徑開啟失敗追蹤，收集足夠證據後就關閉或降頻。

4.4 診斷設定的關聯：把資料送到 Log Analytics

Azure代理開戶服務 真正要讓「監控」成形，通常需要把日誌送到 Log Analytics。這樣你才能用統一的查詢語言（KQL）做分析，並把結果串到儀表板或告警。

設定時常見的選項包括：啟用診斷設定、選擇目的地（Log Analytics Workspace）、以及選擇要收集的類別。你要做的是：確保你啟用的類別與後續查詢需求一致。

例如你想告警「5xx 比例異常」，就必須確保 HTTP 訪問日誌有送到 Log Analytics，而且其中包含你用來計算的狀態碼欄位。

第五章：把日誌變成可查詢的監控（Log Analytics 與查詢思路）

當資料開始進入 Log Analytics，下一步是建立你能反覆使用的查詢邏輯。你不需要一開始就做得很複雜，但至少要建立一個能快速回答問題的查詢框架。

5.1 建立基準指標：錯誤率、延遲、吞吐

監控不是只看「今天有沒有錯」。你要建立基準線：服務在正常狀態下的錯誤率和延遲大概在哪個區間。這樣告警才不會一開始就因為「自然波動」而被觸發。

一般你會關注三類查詢：

• 錯誤率：5xx/4xx 的比例與趨勢
• 延遲：平均、P95 或 P99（若資料支援）及其分布
• 吞吐/流量：請求量與活躍路徑

當你能先回答「正常 vs 異常」的差距，告警設定會更精準。

5.2 用「時間窗 + 分類」縮小排查範圍

面對異常時，你的查詢應該遵循一個原則：先縮時間窗，再按分類（例如路徑、方法、狀態碼、回應大小、使用者類型等）切片。這能大幅降低查詢成本，也讓你更快找到異常集中在什麼地方。

5.3 查詢時要注意資料延遲與欄位差異

日誌從 App Service 進入 Log Analytics 不是即時同步，通常會有延遲。你在測試告警時可能會覺得「為什麼查不到」，其實是資料還沒到或索引還在建立。

此外，不同日誌類型可能欄位名稱與結構不同。你需要先確認你使用的查詢語句對應的表格/欄位。與其一開始就寫很長的查詢，我更建議先做「最小可用」：能列出幾筆資料並確認欄位正確，再逐步擴展分析。

第六章：從查詢到告警（避免告警噪音）

查詢能回答問題，告警則是把問題在發生時就推到你的眼前。但告警是高風險區：設定不好就會讓團隊在一週內被告警淹沒，最後只剩下忽略。

6.1 告警要針對「可行動」的事件

一個有效告警通常具備：明確的觸發條件、足夠的證據（讓接到的人不用先自己翻一輪查詢）、以及合理的影響範圍（能讓人知道要不要立刻叫醒）。

例如：

• 「某重要路徑 5xx 在 5 分鐘內超過 X%」：可行動
• 「任何 4xx 任何時間出現一次」：噪音

6.2 給告警加上冷卻與持續條件

不要用「瞬間」做告警觸發。建議使用持續時間，例如連續 3 個週期、或在 5~10 分鐘內都超過閾值。同時加上冷卻時間，避免同一事件被連續觸發。

這能顯著降低因為短暫網路抖動或單次錯誤而引發的告警。

6.3 按環境分級：開發/測試/正式不同策略

很多人把同樣告警套在所有環境。結果就是正式環境告警過多，或測試環境告警讓人分心。比較合理的做法是：正式環境嚴格，測試環境允許更高噪音，開發環境則更多依賴可觀測性工具與快速除錯。

6.4 告警的輸出要能直接帶人到線索

當告警觸發時，你希望接收者看到：

• 觸發的指標與數值（例如 5xx 比例、延遲 P95）
• 影響範圍（路徑、區域、實例數）
• 發生時間窗
• 必要的摘要（例如 top error message）

如果告警只告訴你「發生異常」但沒有任何細節，那它就變成另一種通知，並不能真正提升排查效率。

第七章：常見誤區與排查要點

做監控最怕的是「看起來有開」但實際上資料缺失或查不動。下面是我在專案中最常遇到的問題類型。

7.1 忘記先驗證資料是否進來

很多團隊直接設定告警，結果一週後才發現查詢沒有資料，因為目的地配置錯誤或日誌類型沒啟用。建議流程是：先讓日誌跑一段時間，確認 Log Analytics 能看到你要的資料，再設定告警。

7.2 只看錯誤，不看延遲與容量

Azure代理開戶服務 錯誤率可以是結果，但延遲上升與資源逼近才是更早的預警。尤其是當後端依賴服務慢下來時，未必立刻報錯，但整體體感會先變差。

所以監控應該同時包含延遲與錯誤。這不是「多做一點」，而是提高預警能力。

7.3 日誌量爆炸導致成本失控

Azure代理開戶服務 當你把詳細錯誤、存取日誌和失敗追蹤全開到最高級別，日誌量會快速膨脹。成本不一定會立刻爆，但在流量上升時可能突然變得難以承受。

改善方式通常是：調整收集粒度、縮小失敗追蹤的範圍、縮短保留、或把不必要的資訊降級。

7.4 告警閾值沒有考量業務波動

例如電商在特定時段自然會有更高的 4xx 或 5xx（例如搶購流量、回退機制），如果閾值沒有考慮這種波動，就會造成告警疲勞。你需要根據歷史資料或業務節奏調整。

7.5 忽略個別實例與擴縮容影響

當 App Service 發生擴縮容，日誌分布可能在不同時間段或實例間變化。如果你的查詢只用很粗的條件，可能把正常與異常混在一起。

更好的方式是：用時間窗縮小範圍，再用適當的維度（例如 instance、slot 或其他可用標識）切片。

第八章：建議的落地方案（可直接套用的思路）

下面是一個實務上我會推薦的「可快速建立」監控框架。你可以根據自己的需求微調。

Azure代理開戶服務 8.1 日誌收集層級（平時）

• HTTP 訪問日誌：保留能支援錯誤率與延遲分析的必要資訊
• 應用程式日誌：保留錯誤與必要的診斷輸出
• 詳細錯誤：保持在足以排查的級別，不必一直拉滿

8.2 取證層級（異常時）

• 短時間開啟失敗追蹤（針對疑似狀態碼/路徑/時間窗）
• 把提升的級別限制在最短排查時間
• 完成定位後回到平時層級

8.3 告警層級（先做少但準）

• 5xx 錯誤率告警（按重要路徑或全站，使用持續條件）
• 延遲告警（例如 P95 超過門檻，或延遲趨勢明顯上升）
• 特定錯誤訊息告警（如果你有穩定可判斷的錯誤模式）

告警先做到可行動且噪音低，之後再擴展。

8.4 儀表板與查詢複用

你可以把常用查詢整理成儀表板或收藏的工作區視圖，確保每次排查都能快速定位。排查效率最怕「每次都重新摸索」，那會把本來該解決問題的時間吃掉。

第九章：上線後的維運：如何持續讓監控「有用」

監控不是設定一次就結束。你需要把它當成系統的一部分持續調整，讓它能跟著應用的變化而更新。

9.1 定期回顧告警結果

每隔一段時間回頭看：哪些告警沒有人處理？哪些告警其實不代表重大問題？哪些告警觸發太頻繁？這些資訊能反推你的閾值與查詢邏輯是否需要調整。

9.2 隨著端點與功能變動更新查詢維度

當你新增 API、變更路徑或更新授權流程，錯誤分布會改變。你不更新監控，告警就會失真。

9.3 把排查流程文件化

最終，日誌監控的價值在於團隊能快速協作。你可以把常見事故的排查路徑做成簡單的流程：先查什麼、看哪個圖、怎麼縮時間窗、需要開啟哪類失敗追蹤。這不是繁瑣文件，而是把經驗變成可重複的能力。

結語：日誌監控設定的核心不是「開啟」，而是「可用」

Azure代理開戶服務 Azure App Service 日誌監控設定的難點，往往不在於找到某個勾選框，而在於你能不能把資料變成可查詢、可告警、可追溯的體系。當你清楚日誌類型的用途、把資料送到合適的目的地、設計合理的保留策略，並用少量高品質告警覆蓋關鍵風險，監控就會從「有資料」變成「真的幫你省時間」。

如果你剛開始建置，建議先從 HTTP 訪問日誌與應用程式日誌的組合下手，再逐步補上失敗追蹤與延遲/錯誤告警。等你建立了可復用的查詢與告警規則，後續每次事故處理都會更快、更穩。