本文是《赵成的运维体系管理课》的学习笔记，重点讨论了故障管理，包括对故障的理解，故障定级和定责，鼓励做事而非处罚错误，以及故障应急和复盘的实践。强调通过设计容错系统和建立有效的故障管理体系，以减少故障影响并促进团队学习与成长。
37 | 故障管理：谈谈我对故障的理解
系统正常，只是改系统无数异常情况下的一种特例。
Design for Failure：
我们的目标和注意力不应该放在消除故障，或者不允许故障发生上，因为我们无法杜绝故障。所以，我们更应该考虑的是，怎么让系统更健壮，在一般的问题面前，仍然可以岿然不动，甚至是出现了故障，也能够让业务更快恢复起来。
故障永远只是表面现象，其背后技术和管理上的问题才是根因
理解一个系统应该如何工作并不能使人成为专家，只能靠调查系统为何不能正常工作才行。
强调技术解决问题，而不是单纯地靠增加管理流程和检查环节来解决问题，技术手段暂时无法满足的，可以靠管理手段来辅助。必须尽快将人为动作转化到技术平台中去。
38 | 故障管理：故障定级和定责
故障的定级标准
P0-P4, MTBF,MTTR,MTTF
故障的定责标准
变更执行，服务依赖，第三方责任
39 | 故障管理：鼓励做事，而不是处罚错误
关于定责和处罚
绝大多数的严重故障都是因为无意识或意识薄弱导致的，并不是因为单纯的技术能力不足等技术因素。
鼓励做事，而不是处罚错误
最低0.47元/天 解锁文章
扫一扫
524
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
