以下文章来源于满赋诸机 ,作者idealism xxm
大家好,我是小满。
今天小满分享一下我们工作中遇到突发线上问题时应该怎么办。
小满在《避免重复犯错的方法》中提到列清单可以避免我们忽视细节,足以减少大部分错误。
但清单往往无法覆盖所有意外,所以意外难以避免。
这时候最应该做不是尝试立刻独自解决,而应该赶紧和大家一起沟通交流,集思广益。
这首先是避免自己由于慌张而错上加错,其次就是《清单革命》中提到的“团队犯错的概率比单个人要小”。
前一段时间,隔壁业务线出了一个事故,他们着急地修复了很久都还没解决。
当时我提到了可以先进行能立刻修复的特殊流程,然后再走正常流程完全修复,这个小建议就减少了宕机时间。
面对这种突发现实问题,首要目的不是排查原因,走正常又漫长的修复流程。
而先把目标聚焦于如何立刻修复问题(例如:回滚、特殊流程手动处理等),在此基础上再尽可能保留现场,以供我们排查问题。
比如今晚小满就遇到了突发线上问题,看了报错,发现只有某一个服务器有问题,就立刻从线上摘除了,问题立刻解决,然后才开始排查。
又遇到代码被其他人改坏的情况,虽然小满立刻找到了问题解决方法,但正常发版流程比较漫长,影响会继续扩大。
小满就走了特殊流程(手动跑脚本处理有问题的数据),立刻修复了一波,降低问题影响范围。