[文档]运维故障报告template

RCA的基本概念

　　根本原因分析技术(root cause analysis，RCA)。

　　IOWA州立大学质量管理学院认为，很多公司在设备发生故障后，都能够很快修复，

　　但难以发现故障的根本原因，所以此故障会再次发生。根本原因分析技术是一个发现和消除这些原因的过程，

　　只有当这个根本原因被发现和消除后，这个问题才能够被彻底解决。

　　下面是我在日常运维故障处理一个RCA模板。

for example：#

问题根本原因分析（RCA）报告#

客户信息:

RCA 索引号：

问题发生日期：

问题解决日期：

xxx运营商

 2021901

2019/03/27

2019/03/27

RCA 负责人:  运维A

事件发生日期及时间: 2020/03/27

事件恢复日期及时间: 2020/03/27

相关问题/事件索引号:

事件恢复记录:

日期	时间	恢复记录
2020/03/27	15:20	日常巡检，发现ceph集群一个montior  down
2020/03/27	15:23	查看日志，找到原因
2020/03/27	15:26	解决完成

问题描述:

运维人员日常巡检发现主机Control01 montior  down掉，业务不受影响，montior高可用部署

问题具体情况及影响面：

具体情况：

宿主机Control01, 根盘使用率接近满了，导致集群检测到空间不足，自动kill掉该该montior，

影响面：

对业务没有影响

问题发现：

运维A人员巡检发现

问题分析：

1、查看ceph集群的健康状态，发现问题

2、ceph health detail 找到了具体的故障montior节点，进去节点查看日志，发现日志提示

根盘超过Mon_data_avail_cri定义的值t导致montior down掉

问题的类型：

存储集群异常

问题的根本原因：

Control01 monitor节点根磁盘空间接近满了

解决方案：

清理故障montior节点根盘无用数据

预防措施：

1、定期巡检系统根盘空间

2、谨慎存放大文件到根盘