故障定義

1、影響功能正常使用的現(xiàn)象（服務(wù)中斷、服務(wù)質(zhì)量下降），服務(wù)不能執(zhí)行規(guī)定功能的狀態(tài)

2、用戶反饋的大面積線上體驗問題

上述定義是理論層面的，實際工作中，會根據(jù)故障評分定級模型對線上問題進行分值定級考量，從五大維度進行評估：受影響業(yè)務(wù)功能、影響范圍、影響量級、影響時長和受影響業(yè)務(wù)個數(shù)，根據(jù)維度對應的權(quán)重比例進行評分加權(quán)求和，分值大于40分的線上問題則定義為故障，線上問題一般通過以下方式獲?。焊黝惐O(jiān)控系統(tǒng)、全國運營POC反饋渠道、SSC對接群。

連鎖故障：由于正反饋循環(huán)（positive feeDBAck)導致的不斷擴大規(guī)模的故障。例如；某個服務(wù)的一個實例由于過載出現(xiàn)故障，導致其他實例負載升高，從而導致這些實例向多米諾骨牌一樣一個一個出現(xiàn)故障

故障級別

1.緊急故障A

• 網(wǎng)絡(luò)、應用服務(wù)器、數(shù)據(jù)庫服務(wù)器宕機，造成EBS無法作業(yè)超過20分鐘。
• 系統(tǒng)崩潰，用戶無法讀取數(shù)據(jù)超過20分鐘

2.嚴重故障B

• EBS口傳遞數(shù)據(jù)錯誤或者緩慢，導致EBS業(yè)務(wù)無法使用超過1小時；
• 與結(jié)算相關(guān)接口錯誤引起的重復付款，與賬務(wù)相關(guān)程序創(chuàng)建錯誤，賬務(wù)錯亂

3.一般故障C、D

• 由于數(shù)據(jù)或者設(shè)置原因引起的會計科目創(chuàng)建不成功
• 日記賬無法過賬
• 請求運行緩慢，導致賬務(wù)延遲生產(chǎn)超過2小時

4.輕微故障E

• 操作錯誤，職責應用不正確導致報表無法提取
• 請求參數(shù)異常，提取數(shù)據(jù)正確
• 報表錯誤或格式修改

故障報告字段

故障報告內(nèi)容包含5個方面：故障描述、故障影響、故障原因、事件過程、改進措施；

涉及的主要字段如下：

故障現(xiàn)象

故障發(fā)生時的業(yè)務(wù)表現(xiàn)

故障時間

1、 發(fā)現(xiàn)時長（分）=故障報警（內(nèi)外部用戶報障）-故障發(fā)生時間（大部分是上線/變更時間）原則上：如報警發(fā)現(xiàn)，則幾乎為零。如果是用戶投訴，時間較長。針對超過5分鐘則單獨備注。

2、 故障組響應時長（分）=故障組響應時間-故障發(fā)現(xiàn)時間

3、 業(yè)務(wù)響應時長（分）=業(yè)務(wù)響應時間-故障發(fā)現(xiàn)時間

4、 根因定位時長（分）=根因定位時間-業(yè)務(wù)響應時間

5、 故障處理時長（分）=故障止損時間-業(yè)務(wù)響應時間

6、 故障持續(xù)時長（分）=服務(wù)影響時長（分）=故障止損時間-故障發(fā)生時間

7、 故障上報時長（分）=故障上報時間-發(fā)現(xiàn)時間

注：持續(xù)時長未超過5分鐘的線上問題不記為故障

發(fā)現(xiàn)方式

1、人工上報-用戶反饋，2、人工上報-內(nèi)部反饋，3、監(jiān)控報警-故障組報障，4、監(jiān)控報警- RD發(fā)現(xiàn)

故障歸類

故障原因從三個角度進行描述

1、根本原因：導致故障發(fā)生的最本質(zhì)原因，對故障起到關(guān)鍵作用、決定作用的原因

2、觸發(fā)原因：導致故障發(fā)生的導火線，直接誘發(fā)故障發(fā)生原因，或是什么動作造成故障的產(chǎn)生

3、延長原因：故障處理時長超過30min的原因

根據(jù)故障原因的不同，對根本原因和觸發(fā)原因進行歸類，類別如下：

6大類：變更類、容量/性能類、安全類、第三方、代碼類、設(shè)計類

18小類：有變更與無變更兩類

1、角色

變更類—運維變更（SRE）、網(wǎng)絡(luò)變更、數(shù)據(jù)庫變更（DBA）、配置變更、數(shù)據(jù)變更（業(yè)務(wù)）、上線/下線發(fā)布、上云變更（容器）、代碼變更

設(shè)計類—

非變更類—容量/性能類、安全類、第三方、代碼類、設(shè)計類

2、過程

變更：方案階段、測試階段、上線階段、驗收階段

無過程

3、細類

變更-方案階段-系統(tǒng)設(shè)計不合理

變更-方案階段-應急預案不足

變更-方案階段-服務(wù)混部不合理

變更-方案階段-方案評審不足

變更-方案階段-方案缺失

變更-方案階段-方案評審缺失

根本原因大類-小類

變更類-運維變更-線上誤操作

1、變更類-運維變更：因為運維變更（無論任何形式的變更）觸發(fā)的故障

2、變更類-線上誤操作：對線上環(huán)境進行誤刪除、kill之類的操作導致的故障

3、變更類-變更流程不規(guī)范：變更的流程存在隱患，有導致故障發(fā)生的風險；或變更本身流程無問題，進行變更時未按照流程進行

4、變更類-數(shù)據(jù)變更：業(yè)務(wù)方由于數(shù)據(jù)修改或者數(shù)據(jù)導入引發(fā)的故障，不包括運維的數(shù)據(jù)變更

5、變更類-配置變更：業(yè)務(wù)方由于修改配置（界面配置非配置文件）而導致的故障，除去運維類的配置變更類

6、容量/性能-非資源類：性能問題，可通過參數(shù)調(diào)整、邏輯優(yōu)化等措施避免

7、容量/性能-資源類：需資源擴容才可根治，或資源提供方使用不當導致的故障

8、代碼類-代碼邏輯類：代碼邏輯問題、代碼bug引發(fā)的故障

9、代碼類-代碼性能類：代碼不健壯

10、安全類-網(wǎng)絡(luò)爬蟲：爬蟲導致的

11、安全類-Ddos攻擊：惡意攻擊系統(tǒng)

12、第三方-硬件故障：任何硬件非人為原因損壞 導致的故障

13、第三方-配置問題：第三方配置修改導致的

14、第三方-軟件故障：技術(shù)架構(gòu)中用到的任何OS，軟件在特殊場景下，BUG被觸發(fā)導致故障；第三方提供的服務(wù)故障

15、第三方-局方故障：ISP，根域服務(wù)，IP被封等外部單位故障導致的問題（局方：運營商）

16、設(shè)計類-系統(tǒng)設(shè)計不合理：代碼不健壯，可以通過參數(shù)調(diào)整，邏輯優(yōu)化等措施避免

14、設(shè)計類-版本不兼容：系統(tǒng)底層架構(gòu)不統(tǒng)一，在升級過程中或新版本與老版本不兼容導致問題出現(xiàn)

15、設(shè)計類-配置不當：配置有隱患，后期因其他因素觸發(fā)導致故障

16、設(shè)計類-應急預案不足：系統(tǒng)底層架構(gòu)不統(tǒng)一，在升級過程中或新版本與老版本不兼容導致問題出現(xiàn)

17、設(shè)計類-服務(wù)混部不合理：服務(wù)混合部署不合理

18、設(shè)計類-技術(shù)方案評審不足：方案執(zhí)行前，評審不到位

觸發(fā)原因常見歸類：變更類、流量類或其他

故障級別

故障根據(jù)不同的分值劃分為A、B、C、D、E五個等級，其中

1、重大故障：故障級別為A級的故障，分值>85分

2、嚴重故障：故障級別為B級的故障，75分<分值≤85分

3、一般故障：故障級別為C、D級的故障，40分<分值≤75分

4、E級（<40分）不記為故障，只做一般問題記錄

責任部門

原則

1、依據(jù)根本原因和觸發(fā)原因劃分，

a、若因流量增加觸發(fā)故障，流量增加超過3倍（原來x，現(xiàn)在3x），追責觸發(fā)原因部門

2、責任部門盡量唯一，最多不超過2個

3、非qa直接導致的故障（如上線流程、上線工具等），不建議列入qa。對qa考核時，可參看其所負責的模塊故障情況

分類

根據(jù)根本原因分類，責任部門定義如下：

1、機器宕機、操作系統(tǒng)類故障——機器所在部門；

2、代碼bug類故障——代碼服務(wù)所在部門；

服務(wù)：WEB服務(wù)、數(shù)據(jù)庫服務(wù)、給應用系統(tǒng)提供的基礎(chǔ)服務(wù)等

3、應用系統(tǒng)類bug、系統(tǒng)使用第三方、開源軟件類bug——系統(tǒng)所在部門

4、變更類故障——變更方所在部門

5、第三方故障——追責引入第三方付費服務(wù)的部門，強依賴第三方服務(wù)部門無有效止損措施控制故障影響面的擴大，同樣追責

改進措施

在故障報告整理好后，我們會組織復盤會針對故障中出現(xiàn)的問題分析討論，從預防和治理的角度提出優(yōu)化方案

1、所提改進措施要對應到具體人，并明確完成時間

2、如果所提改進措施耗時較長，超過1個月則需進行拆分，按照時間階段記錄

3、改進措施任務(wù)類型：預防、流程、緩解、降級、演習、原因排查等

近期熱文：一文搞定項目故障等級劃分及管理機制【大元子說】

• 一文掌握PMO如何建設(shè)的干貨精華【大元子說1】
• 一圖掌握項目/項目集匯報模板要點【大元子說2】