运维管理之线上故障处理原则

墨菲定律

• 任何事情都没有表面看起来那么简单
• 所有事情的发展都会比你预计的时间长
• 会出错的事情总会出错
• 如果担心某个事情发生，那么它更有可能发生

墨菲定律暗示我们，如果担心某种情况会发生，那么它更有可能发生，久而久之就一定会发生。这警示我们，在互联网公司，对生成环境发生的任何怪异现象和问题都不要轻视，对其背后的原因一定要调查清楚。同样，海恩法则也强调任何严重的事故背后都是很多次小问题的积累，当到一定量级后会导致质变，严重的问题就会浮出水面。 那么，我们需要对线上服务产生任何现象，哪怕是小问题，都要刨根问底，对任何现象都要遵循下面问题

• 为什么会发生 ？
• 发生了该怎么应对 ？
• 怎么恢复 ？
• 怎么避免 ？

应急目标

在生成环境发生故障时快速恢复服务，避免或减少故障带来的损失，避免或减少故障对客户的影响

应急原则

• 应第一时间恢复系统，而不是彻底解决呢问题，快速止损
• 明显资金损失时，要第时间升级，快速止损
• 指标要围绕目标，快速启动应急过程与止损方案
• 当前负责人不能短时间内解决问题，则必须进行升级处理
• 处理过程在不影响用户体验的前提下，保留现场

应急方法与流程

线上应急一般分为 6 个阶段

1. 发现问题
2. 定位问题
3. 解决问题
4. 回顾问题
5. 改进措施

过程中要记住，应急只有一个总体目标：尽快恢复，消除影响。不管处于哪个阶段，首先想到的必须是恢复问题，恢复问题不一定能定位问题，也不一定有完美的解决方案，可能通过经验或者开关等。但这可以达到快速恢复的目的，然后保留现场，以及定位问题，解决问题和复盘

发现问题

通常我们通过系统层面、应用层面和中间件层面监控来发现问题

• 系统层面监控包括
  1. 系统的 CPU 使用率
  2. Load average
  3. Memory
  4. I/O （网络与磁盘）
  5. SWAP 使用情况
  6. 线程数
  7. File Description 文件描述符等
• 应用层面监控包括
  1. 接口的响应时间
  2. QPS
  3. 调用频次
  4. 接口成功率
  5. 接口波动率等
• 中间件层面监控包括数据库、缓存、消息队列。
  1. 对数据库的负载、慢查询、连接数等监控
  2. 对缓存的连接数、占用内存、吞吐量、响应时间等监控
  3. 消息队列的响应时间、吞吐量、负载、堆积情况等监控

定位问题

分析定位过程中先考虑系统最近发生的变化，需要考虑如下几方面

• 故障系统最近是否上过线？
• 依赖的基础平台与资源是否升级过？
• 依赖的系统是否上过线？
• 运营是否在系统内做过运营变更？
• 网络是否有波动？
• 最近的业务量是否涨了？
• 运营方是否有促销活动？

解决问题

解决问题要以定位问题为基础，必须清晰定位问题产生的根本原因，在提出解决问题的有效方案，没有明确原因之前，不用使用各种方法来尝试修复问题，可能还没有解决这个问题又引入了下个问题，想想刚刚提到的墨菲定律

回顾问题

解决问题后，需应急团队与相关方回顾事故产生的原因、应急过程的合理性、提出整改措施，主要聚焦在以下几个问题：

• 类似的问题还有哪些没有发生？
• 做了哪些事情，事故就不会再发生？
• 做了哪些事情，及时发生故障，也不会产生影响？

改进措施

根据回顾问题提出的改进措施，以正式的项目管理方式进行统一管理，采用 SMART 原则来跟进

参考

• 分布式服务架构原理、设计与实战