故障定级标准

1. 目的

前端基础是所有前端业务的基石，并保障着前端业务的稳定性和可靠性，前端基础稳定，才能保证前端业务稳定，一旦出现问题，影响范围大，所以保障前端基础的稳定性和可靠性是重中之重，但是随着前端业务量的井喷，以及基础设施的复杂性，问题的多样性，对故障处理过程的规范性、专业度要求越来越高。

因此，为了加强基础技术团队的质量意识，责任意识，提高基础团队的故障处理和协作能力，特制订本制度，规范团队的故障管理，并实现标准化、流程化。

2. 适用范围

前端基础技术团队

3. 定义解释

3.1 职责定义

序号	角色	故障责任定义
1	开发	因技术方案设计问题、代码实现bug、代码逻辑等问题导致的故障
2	运维	因基础设施变更，不稳定，异常无法提供服务等问题导致的故障

4. 故障标准

4.1 故障定义

1.发生的、影响业务正常运作的问题或事故，认定为“故障”

2.同一类问题发生频次超过某个数量，也可认定为故障。

4.2 故障分类

序号	类别	定义	举例
1	流程执行类	主要指因未遵照公司或部门既有规范、流程执行而导致的故障，或故障发生后未按照本制度要求处理等情况。	如发布至线上前未进行过测试；发布后未充分进行线上回归验证、未充分观察日志/监控等产生的故障；未及时发布故障通告、或其他“瞒报”、“漏报”等情况；故障响应不及时等
2	人员意识类	主要指因人为主观意识不到位、故意或抱侥幸心理未严格谨慎操作而导致的故障。	如责任意识不强、线上严谨意识不足、安全意识不足等。注：若因人员意识不到位而违反现有流程规范的故障，则直接定义为“流程执行类”故障。
3	能力经验类	主要指个人能力、经验不足，或部门相关业务或技术积累不够导致的故障。	如新业务、新技术或历史技术架构设计等遗留问题
4	监控报警类	主要指未设置监控报警、或监控报警出现问题而引发的故障。	如因告警阈值设置不合理，未及时收到告警进行处理，最终导致发生线上故障。注：未及时响应监控报警，属于流程执行类故障。
5	不可抗力类	主要指因外部不可抗力引发的故障。	如供应商故障（包括不限于机器、网络等故障）、外在环境原因（如施工挖断线路、国家封网）导致的故障等。

4.3 故障等级

4.3.1 故障定级原则

1.故障关键因素时长和影响面

2.影响面和故障时常同时满足,直接定级

3.影响面和故障时长不匹配时,取级别低的故障定级升一级作为最终故障定级1.比如影响时长5-10min,影响60%流量,按时长定级为p4,影响面定级为p1, p4和p1取较小值为p4, p4升一级,作为p3定级2.对外系统最高定级p1, 对内系统最高p2

4.流程故障遵循公司统一原则

4.3.2 通用故障等级定义

故障等级标识	故障等级名词	故障等级定义	影响面	故障时长	故障举例	备注
P1	重大故障	前端业务大部分不可访问，流量受损>=30%，并且持续时间>=60分钟	前端项目不可访问或者访问异常>=30%	>=60分钟	腾讯云slb故障导致前端页面全部无法访问
P2	严重故障	前端业务部分不可访问，流量受损10%～30%，并且持续时间>=30分钟	前端项目不可访问或者访问异常10%~30%	>=30分钟
P3	一般故障	前端业务小部分不可访问，流量受损1%～10%，并且持续时间>=10分钟	前端项目不可访问或者访问异常1%~10%	>=10分钟	istio管理面故障导致ingress无法访问到更新后的服务
P4	轻微故障	前端业务小部分流量访问异常，流量受损1%，持续时间>=5分钟	前端小部分流量访问异常	>=5分钟

基础设施故障定义不涉及由通用故障等级定义兜底。

4.3.3 基础设施故障等级划分定义

序号	基础设施	故障等级	故障时长	影响面	故障举例
1	Istio	P1	>=60分钟	istio管理面异常或者不可用
		p2	>=30分钟	istio管理面异常或者不可用
		P3	>=15分钟	部分流量转发异常
		P4	>=5分钟	部分流量转发异常
2	k8s	p1	>=60分钟	Kubernetes master异常或者不可用
		P2	>=30分钟	Kubernetes master异常或者不可用
		P3	>=15分钟	部分功能异常
		P4	>=5分钟	部分功能异常
3	Coredns	P1	>=15分钟	coredns不可用
		P2	>=10分钟	coredns不可用
		p3	>=30分钟	coredns部分功能异常如处理缓慢
4	容器网络	p1	>=15分钟	集群容器网络全部异常
		P2	>=10分钟	集群容器网络全部异常
		P3	>=30分钟	单点或者多点容器网络异常
4	Ingress	p1	>=60分钟	Ingress异常或者不可用
		P2	>=30分钟	Ingress异常或者不可用
		P3	>=60分钟	部分流量转发异常
		P4	>=30分钟	部分流量转发异常
5	告警平台	P1
		P2
		P3
		P4
6	网关	P1
		P2
		P3
		P4
7	发布平台	P1
		P2
		P3
		P4
8	任务平台	P1
		P2
		P3
		P4

4.4 故障升级

故障等级	故障升级
p1	----
P2	>=60分钟未解决或者未处理
p3	>=180分钟未解决或者未处理
P4	>=300分钟未解决或者未处理