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
原文地址:http://blog.51cto.com/13527416/2073644
时间: 2024-10-10 02:30:03