21、事件准备与应对：保障业务稳定运行

事件准备与应对：保障业务稳定运行

在当今数字化的时代，业务的技术中断事件随时可能发生，对企业造成不同程度的影响。本文将深入探讨如何为各类事件和服务中断做好准备，包括减少人为错误、提升值班响应能力、管理事件发生时的情况以及衡量应对的成效。

1. 事件与服务中断的定义

事件本质上是业务的任何技术中断，其形式、规模和严重程度各不相同。例如：
- 银行业务中，金融机构成员可能无法在线访问银行账户。
- 在线照片存储业务里，用户可能无法上传新照片。
- 零售业务中，由于支付处理器故障，用户可能无法进行购买。

事件的严重程度也有所差异，有些可能只是小问题，如“添加到购物车”按钮重复请求，用户仍可编辑购物车数量；而有些则可能是严重的，如注册表单阻止用户加入网站、支付处理器服务中断或数据库错误导致关键用户信息丢失。

2. 以自动化对抗“人为错误”

人为错误常被视为失败的“根本原因”，但实际上，工程师的判断和决策可能导致业务中断，而工程组织的系统和流程也可能促使或未能阻止这些判断和决策。事件在软件开发和维护中不可避免，关键问题是相同或相似的事件频繁重演。

“人为错误”是人们对常见人类失误的标签，但解雇所有员工并非解决之道。人类虽有缺陷，但仍是解决技术挑战的最有力工具。学术领域应对工程失误的全面方法是人类因素研究，也称为人机工程学，它结合多学科知识，旨在减少人为错误。在DevOps中，需关注认知人机工程学和组织人机工程学：
- 认知人机工程学 ：研究人类如何感知和推理环境，包括人们如何做决策、对刺激的反应以及为何有人可靠而有人不可靠。
-