架构设计：线上服务故障应急机制讨论

Posted 2022-09-01 hguisu

最近由于疏忽误操作导致一次大故障，在此结合网上和实践经验，总结一下线上服务故障应急机制，警惕自己时刻注意服务稳定性问题。

前言

---

海恩法则

    · 事故的发生是量的积累的结果。
    · 再好的技术、再完美的规章 ， 在实际操作层面也无法取代人自身的素质和责任心 。

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 。
    · 会出错的事总会出错。
    · 如果你担心某种情况发生，那么它更有可能发生 。

警示我们，在互联网公司里，对生产环境发生的任何怪异现象和问题 都不要轻易忽视，对于其背后的原因一定要彻查。同样，海恩法则也强调任何严重事故的背后 都是多次小问题的积累，积累到一定的量级后会导致质变，严重的问题就会浮出水面 。 那么，我们需要对线上服务产生的任何征兆，哪怕是一个小问题，也要刨根问底: 这就需要我们有技术攻关的能力，对任何现象都要秉着以下原则： 为什么发生？ 发生了怎么应对？ 怎么恢复？ 怎么避免？ 对问题要彻查，不能因为问题的现象不明显而忽略 。
 

一、线上应急的目标、原则、方法

---

 

1、应急目标

     行动的方向在关键时间正确把握，在应急过程中不能偏离目标。

     生产环境发生故障，要快速优先想办法恢复服务，避免或减少因故障造成的损失，降低对用户的影响。

2、应急原则

对应应急原则总结如下：

（1）第一时间恢复系统而不是彻底查找原因解决问题，快速止损。

（2）有明显的资金损失时，要在第一时间升级，快速止损。该条用在金融领域尤为关键。

（3）当前应急负责人若短时间内无法解决问题，必须升级处理。

（4）应急过程中在不影响用户体验前提下，要保留部分现场和数据。便于恢复后定位分析问题原因。

3、应急方法和流程

     线上应急必须有组织、有计划的进行。

4、线上应急主要分为六个阶段：

应急要有总体目标：尽快恢复问题，消除影响。不管应急的那个阶段，首要问题都是优先恢复系统问题，恢复问题不要求立马定位问题，也不一定有完美的解决方案。

一般通过经验判断，启动线上的问题预处理方案等，达到快读恢复问题的目标。同时，要注意保留部分现场，便于事后定位解决并复盘问题。

1)、发现问题

通常针对系统层面来说的，问题的发现一定是借助于系统的告警、自动化监控等机制来实现的，不能由用户、业务方来告诉通知你的系统出现问题了，如果这样，你的系统出现问题已经持续了一段时间了。

监控层面，通常都是对系统层面、应用层面、资源层面进行监控。

对系统层面的监控包括：系统的CPU利用率、系统负载、内存是会用情况、网络IO负载、磁盘负载、I/O等待、交换区的使用、线程数及打开的文件句柄数等进行监控，一旦超出阈值，就及时告警。

对应用层面的监控包括对服务接口的响应时间、吞吐量、调用频次、接口成功率即接口的波动率进行监控。

对资源层面的监控包括对数据库、缓存和消息队列的监控。我们通常会对数据库负载、慢SQL、连接数等进行监控；对缓存的连接数、占用内存、吞吐量、响应时间等进行监控；对消息队列的响应时间、吞吐量、负载、积压情况进行监控。

2)、定位问题

首先要根据经验来分析 ，应急团队中有人对相应问题有经验，并确定能够通过某种手段来进行恢复，则应第一时间快速恢复，同时保留现场，然后定位问题。

应急人员定位过程中可能需要与业务负责人、技术负责人、技术人员、运营和运维一起，对产生问题的原因进行快速分析。

需要考虑如下问题：

（1）问题系统最近是否进行了上线操作？

（2）依赖的基础平台和资源是否进行了上线或者升级？

（3）依赖的系统最近是否进行了上线？

（4）运营是否在系统里面做过运营变更？

（5）网络是否有波动，联系运维人员协助排查？

（6）最近的业务访问量是否正常，是否有异常流量？

（7）服务的适用房是否有促销活动？

3)、解决问题

解决问题的阶段有时在应急处理中，有时在应急处理后。理想情况下，出现问题系统启动应急预案，每个系统会对各种问题设计止损、兜底、降级开关等策略。因此，发生严重问题先使用启用这些预案来恢复问题，之后再定位和解决问题。

解决问题当然要以定位问题为基础，必须清楚的明确分析出问题的根本原因，再提出解决问题的有效方案，切记没有明确原因之前，不要使用各种可能方法来尝试修复问题，这样可能还没有解决当前问题，可能会引出了另外一个问题。

4)、消除影响

解决问题时，某个问题可能还没有被解决就已恢复，无论在那种情况下都需要消除问题产生的影响。

5)、复盘问题

消除问题后，需要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，对树立处理啊的问题提出整改措施，主要聚焦一下几个问题：

（1）类似的问题还有哪些没有想到？

（2）做了哪些事情，这个事故就不会发生了？

（3）做了哪些事情，这个事故即使发生了也不会产生损失？

（4）做了哪些事情，这个事故即使法神过来，也不会产生这么大的损失？

当然，回顾事故目的不再犯类似的错误，而不是惩罚当事人。

6)、避免措施

根据回顾问题提出的改进方案和避免措施，我们必须以正式的项目管理方式进行统一管理，如果有项目经理的角色，则将避免措施和改进措施一并交给项目经理去跟进；如果没有，则请建立一个改进措施和避免措施的跟进方案和机制，否则，久而久之，问题就被忽略了。

二、技术攻关方法论

---

技术攻关流程图：

 

技术攻关的目标是解决问题。

从问题发生的环境和背景入手，优先考虑上述图中的提到的几个问题：

1、最近是否有变更、升级或上线操作？

优先考虑这一条，特别是上线完成后收到系统告警，用户反馈的相关问题及时关注，如果因上线导致出现的问题，要第一时间回滚处理，避免扩大影响。

同时，建立健全上线流程和上线评审机制，每次上线都需要有快速回滚方案。

2、之前是否有遇到过类似的问题？

根据历史经验判断系统是否曾出现过相同或类似的问题，如果有解决类似的问题经验，可以参考快速的应用历史经验解决问题。

要求每次故障后复盘并总结故障原因，并给出问题解决方案，积累到经验库。

3、是否有相关领域的专家？

遇到了更深层次的问题，比如遭遇DDOS攻击、性能扛不住、网络故障、使用的中间件频繁告警等。类似问题先求助相关领域专家，他们积累了更加丰富的经验，或能更深入了解原因并快速解决问题。

以上流程仍然无法解决问题，就需要自己想办法做技术攻关了。

三、问题分析方法论

---

对于任何问题的分析，需要从以下几个方面入手来分析：

简称：5W

When：什么时候出现的问题？

What：什么出现了问题？

Who：谁在什么时间里发现了问题？问题影响了谁？

Where：哪里出现了问题？

Why：为什么出现了问题？

根据以上的分析，帮助你理清思路，初步对系统做判断，然后从这个系统的日志、数据、工具，并结合代码定位分析问题原因。

这里也就体现了系统中日志的重要性，好的日志能协助快速而准确的定位问题。

可以想办法「最小化复现」线上问题，最小化复现是问题产生时所依赖的组件最小化集合，容易搭建，减少了使用组件的范围，有助于迅速定位问题原因。

如果能在一个可控的环境或者仿真环境上重现问题，或者通过远程调试的手段也能协助定位问题。

定位到问题原因后，要给出解决方案。

评估解决方案对线上的影响，权衡利弊，选择最佳方案，并给出选择的原因。

将问题解决方案报备给上级进行评审，评审通过后再实施。方案需要在开发环境和QA环境进行验证，不仅仅要验证方案所解决的问题，同时，还要避免对现有功能有所影响，因此可能还需要进一步回归验证。

通过这样一系列技术攻关流程，可以保障技术攻关过程中得到完整、正确且高效的问题解决之道。