线上故障处理原则【转】
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
- 发现问题
- 定位问题
- 解决问题
- 回顾问题
- 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
- 系统的 CPU 使用率
- Load average
- Memory
- I/O （网络与磁盘）
- SWAP 使用情况
- 线程数
- File Description 文件描述符等
- 应用层面监控包括
- 接口的响应时间
- QPS
- 调用频次
- 接口成功率
- 接口波动率等
- 中间件层面监控包括数据库、缓存、消息队列。
- 对数据库的负载、慢查询、连接数等监控
- 对缓存的连接数、占用内存、吞吐量、响应时间等监控
- 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
http://blog.51cto.com/13527416/2073644
