在講解事件、故障處理思路前，先講一個(gè)故障場(chǎng)景（以呼叫中心系統(tǒng)作例子）：
業(yè)務(wù)人員反映呼叫中心系統(tǒng)運(yùn)行緩慢，部分電話在自助語(yǔ)言環(huán)節(jié)系統(tǒng)處理超時(shí)，話務(wù)轉(zhuǎn)人工座席，人工座席出現(xiàn)爆線情況。運(yùn)維人員開始忙活了，查資源使用情況、查服務(wù)是否正常、查日志是否報(bào)錯(cuò)、查交易量還有沒(méi)有……時(shí)間不知不覺(jué)的在敲鍵盤、敲鍵盤、敲鍵盤中過(guò)去，但是原因還未定位。經(jīng)理過(guò)來(lái)了解情況：“系統(tǒng)恢復(fù)了嗎？”、“故障影響是什么？”、“交易中斷了嗎？”...運(yùn)維人員趕緊敲鍵盤，寫sql，看交易量；敲鍵盤，寫命令，看系統(tǒng)資源、情況...
最終，定位到問(wèn)題原因是其中一個(gè)功能沒(méi)有控制返回?cái)?shù)量，導(dǎo)致內(nèi)存泄露。針對(duì)這個(gè)故障，業(yè)務(wù)希望運(yùn)維能否更快的解決故障的恢復(fù)，經(jīng)理希望制定優(yōu)化呼叫中心故障處理流程，做了以下幾件事：
1、優(yōu)先故障處理過(guò)程的時(shí)間——”能通過(guò)鼠標(biāo)完成的工作，不要用鍵盤“
2、提前發(fā)現(xiàn)故障，加強(qiáng)監(jiān)控——“技術(shù)早于業(yè)務(wù)發(fā)現(xiàn)問(wèn)題，監(jiān)控不僅是報(bào)警，還要協(xié)助故障定位”
3、完善故障應(yīng)急方案——“應(yīng)急方案是最新的、準(zhǔn)確的、簡(jiǎn)單明了的”
4、長(zhǎng)遠(yuǎn)目標(biāo)：故障自愈——”能固化的操作自動(dòng)化，能機(jī)器做的讓機(jī)器做“
下面將從故障常見(jiàn)的處理方法開始介紹，再?gòu)墓收锨暗臏?zhǔn)備工作（完善監(jiān)控、制定應(yīng)急方案等方式）來(lái)解決經(jīng)理提出的問(wèn)題，并提出未來(lái)解決故障的想法。
1、常見(jiàn)的方法
（1）確定故障現(xiàn)象并初判問(wèn)題影響
在處理故障前，運(yùn)維人員首先要知道故障現(xiàn)象，故障現(xiàn)象直接決定故障應(yīng)急方案的制定，這依賴于運(yùn)維人員需要對(duì)應(yīng)用系統(tǒng)的整體功能有一定的熟悉程度。
確認(rèn)了故障現(xiàn)象后，才能指導(dǎo)運(yùn)維人員初判斷故障影響。
（2）應(yīng)急恢復(fù)
運(yùn)維最基本的指標(biāo)就是系統(tǒng)可用性，應(yīng)急恢復(fù)的時(shí)效性是系統(tǒng)可用性的關(guān)鍵指標(biāo)。
有了上述故障現(xiàn)象與影響的判斷后，就可以制定故障應(yīng)急操作，故障應(yīng)急有很多，比如：
服務(wù)整體性能下降或異常，可以考慮重啟服務(wù)；
應(yīng)用做過(guò)變更，可以考慮是否需要回切變更；
資源不足，可以考慮應(yīng)急擴(kuò)容；
應(yīng)用性能問(wèn)題，可以考慮調(diào)整應(yīng)用參數(shù)、日志參數(shù)；
數(shù)據(jù)庫(kù)繁忙，可以考慮通過(guò)數(shù)據(jù)庫(kù)快照分析，優(yōu)化SQL；
應(yīng)用功能設(shè)計(jì)有誤，可以考慮緊急關(guān)閉功能菜單等
另外，需要補(bǔ)充的是，在故障應(yīng)急前，在有條件的情況需要保存當(dāng)前系統(tǒng)場(chǎng)景，比如在殺進(jìn)程前，可以先抓個(gè)CORE文件或數(shù)據(jù)庫(kù)快照文件。
（3）快速定位故障原因
①是否為偶發(fā)性、是否可重現(xiàn)
故障現(xiàn)象是否可以重現(xiàn)，對(duì)于快速解決問(wèn)題很重要，能重現(xiàn)說(shuō)明總會(huì)有辦法或工具幫助我們定位到問(wèn)題原因，而且能重現(xiàn)的故障往往可能是服務(wù)異常、變更等工作導(dǎo)致的問(wèn)題。
但是如果故障屬于偶發(fā)性的，是有極小概率出現(xiàn)的，則比較難排查，這依賴于系統(tǒng)是否有足夠的故障期間的現(xiàn)場(chǎng)信息來(lái)決定是否可以定位到總是原因。
②是否進(jìn)行過(guò)相關(guān)變更
大部分故障是由于變更導(dǎo)致，確定故障現(xiàn)象后，如果有應(yīng)的變更，有助于從變更角度出現(xiàn)分析是否是變更引起，進(jìn)而快速定位故障并準(zhǔn)備好回切等應(yīng)急方案。
③是否可縮小范圍
一方面應(yīng)用系統(tǒng)提倡解耦，一支交易會(huì)流經(jīng)不同的應(yīng)用系統(tǒng)及模塊；另一方面，故障可能由于應(yīng)用、系統(tǒng)軟件、硬件、網(wǎng)絡(luò)等環(huán)節(jié)的問(wèn)題。在排查故障原因時(shí)應(yīng)該避免全面性的排查，建議先把問(wèn)題范圍縮小到一定程序后再開始協(xié)調(diào)關(guān)聯(lián)團(tuán)隊(duì)排查。
④關(guān)聯(lián)方配合分析問(wèn)題
與第（3）點(diǎn)避免同時(shí)各關(guān)聯(lián)團(tuán)隊(duì)同時(shí)無(wú)頭緒的排查的同時(shí)，對(duì)于牽頭方在縮小范圍后需要開放的態(tài)度去請(qǐng)求關(guān)聯(lián)方配合定位，而對(duì)于關(guān)聯(lián)方則需要有積極配合的工作態(tài)度。
⑤是否有足夠的日志
定位故障原因，最常用的方法就是分析應(yīng)用日志，對(duì)運(yùn)維人員不僅需要知道業(yè)務(wù)功能對(duì)應(yīng)哪個(gè)服務(wù)進(jìn)程，還要知道這個(gè)服務(wù)進(jìn)程對(duì)應(yīng)的哪些應(yīng)用日志，并具備一些簡(jiǎn)單的應(yīng)用日志異常錯(cuò)誤的判斷能力。
⑥是否有core或dump等文件
故障期間的系統(tǒng)現(xiàn)場(chǎng)很重要，這個(gè)在故障應(yīng)急前建議在有條件的情況下留下系統(tǒng)現(xiàn)場(chǎng)的文件，比如COREDUMP，或TRACE采集信息等，備份好一些可能被覆蓋的日志等。
上述是一般性的故障常見(jiàn)的方法，在重大故障或多方處理的故障出現(xiàn)時(shí)，往往小范圍的排查不利于快速解決，需要啟動(dòng)緊急處理的流程，建議可以考慮以下溝通：
①召集相關(guān)人員
②描述故障現(xiàn)狀
③說(shuō)明正常應(yīng)用邏輯流程
④陳述變更
⑤排查進(jìn)展，展示信息
⑥領(lǐng)導(dǎo)決策
2、完善監(jiān)控
（1）從監(jiān)控可視化上完善
完善的監(jiān)控策略需要有統(tǒng)一的可視化操作界面，在制定完善的監(jiān)控策略后，故障處理人員需要能夠快速的看到相應(yīng)的運(yùn)行數(shù)據(jù)，比如：能夠看到一段時(shí)間的趨勢(shì)、故障期間的數(shù)據(jù)表現(xiàn)、性能分析的情況等等數(shù)據(jù)，且這些數(shù)據(jù)可以提前制定好策略直接推出分析結(jié)果給故障處理人員，這樣就大大提高了故障的處理效率，以呼叫中心系統(tǒng)為例，需要提前配置好以下實(shí)時(shí)交易數(shù)據(jù)，以便故障定位：
①交易性能數(shù)據(jù)：平均交易耗時(shí)、系統(tǒng)內(nèi)部模塊交易耗時(shí)（IVR交易耗時(shí)、接口總線交易耗時(shí)）、關(guān)聯(lián)系統(tǒng)交易耗時(shí)（核心交易耗時(shí)、工單系統(tǒng)交易耗時(shí)等）
②重要交易指標(biāo)數(shù)據(jù)：交易量、IVR交易量、話務(wù)量、座席通話率、核心交易筆數(shù)、工單等系統(tǒng)交易量
③交易異常情況數(shù)據(jù)：交易成功率、失敗率、錯(cuò)誤碼最多交易
④按服務(wù)器分析交易數(shù)據(jù)：按server統(tǒng)計(jì)各服務(wù)交易處理筆數(shù)，交易總耗時(shí)
有了以上交易數(shù)據(jù)，并通過(guò)監(jiān)控按一定頻率統(tǒng)計(jì)，運(yùn)維人員在出現(xiàn)故障時(shí)，通過(guò)鼠標(biāo)即點(diǎn)擊即可看到故障什么時(shí)候開始，是系統(tǒng)內(nèi)部有問(wèn)題還是關(guān)聯(lián)系統(tǒng)有問(wèn)題，最突出的交易是哪一支，各服務(wù)器交易量是否均衡等情況。
（2）從監(jiān)控面上完善
監(jiān)控最基本的工作就是實(shí)現(xiàn)對(duì)負(fù)載均衡設(shè)備、網(wǎng)絡(luò)設(shè)備、服務(wù)器、存儲(chǔ)設(shè)備、安全設(shè)備、數(shù)據(jù)庫(kù)、中間件及應(yīng)用軟件等IT資源的全面監(jiān)控管理。在應(yīng)用軟件類的監(jiān)控工作中，不僅需要有服務(wù)進(jìn)程、端口等監(jiān)控，還需要有業(yè)務(wù)、交易層的監(jiān)控。
全面性的應(yīng)用監(jiān)控可以讓故障提前預(yù)警，并保存了影響應(yīng)用運(yùn)行環(huán)境的數(shù)據(jù)，以縮短故障處理時(shí)間。
（3）從監(jiān)控告警上完善
完善的監(jiān)控策略需要有清晰的監(jiān)控告警提示，值班人員要以根據(jù)監(jiān)控告警即可作出簡(jiǎn)單的問(wèn)題定位與應(yīng)急處理方案。比如類似以下的監(jiān)控短信：
22時(shí)，【理財(cái)應(yīng)用系統(tǒng)】中【應(yīng)用服務(wù)器LC_APPsvrA 10.2.111.111】的【前置應(yīng)用模塊】出現(xiàn)【應(yīng)用端口：9080】不存在，該端口作用【提供理財(cái)應(yīng)用處理（負(fù)載均衡部署）】，原因可能為【SERVER1服務(wù)異常停止】，監(jiān)控系統(tǒng)己進(jìn)行以下應(yīng)急處理【自動(dòng)執(zhí)行端口進(jìn)程啟動(dòng)】，該事件緊急程度【高】。
管理員可以通過(guò)短信內(nèi)容看到哪個(gè)系統(tǒng)、哪個(gè)應(yīng)用、哪個(gè)模塊出了什么問(wèn)題，可能是什么原因，對(duì)業(yè)務(wù)有什么影響，是否需要馬上處理（比如凌晨出現(xiàn)此預(yù)警是否可以延遲到次日處理）等信息。
（4）從監(jiān)控分析上完善
完善的監(jiān)控策略不僅需要有實(shí)時(shí)的數(shù)據(jù)告警，也要有匯總數(shù)據(jù)的分析告警,實(shí)時(shí)數(shù)據(jù)分析的告警的重要性不用多說(shuō)，對(duì)于匯總分析的數(shù)據(jù)則能發(fā)現(xiàn)潛在風(fēng)險(xiǎn)，同時(shí)也為分析疑難雜癥提供幫忙。
（5）從監(jiān)控主動(dòng)性上完善
監(jiān)控不僅僅是報(bào)警，它還可以做得更多，只要我們想辦法賦予它主動(dòng)解決事件的規(guī)則，它便有為管理員處理故障的能力。
3、應(yīng)急方案
提前制定好故障應(yīng)急方案是很有必要的，但在日常工作過(guò)程中我們的應(yīng)急方案遇到一些問(wèn)題：
①應(yīng)急方案缺乏持續(xù)維護(hù)，缺乏演練，信息不及時(shí)、不準(zhǔn)確；
②應(yīng)急方案過(guò)于追求大而全，導(dǎo)致不利于閱讀與使用；
③應(yīng)急方案形式大于實(shí)際使用效果，方案針對(duì)性不強(qiáng)；
④只關(guān)注應(yīng)急方案的內(nèi)容，但沒(méi)有關(guān)注運(yùn)維人員對(duì)方案的理解；
針對(duì)上述常見(jiàn)問(wèn)題，我認(rèn)為應(yīng)急方案需要做到以下幾點(diǎn)：
（1）內(nèi)容精簡(jiǎn)
很多人可能會(huì)認(rèn)為故障出現(xiàn)的形式各種各樣，所以應(yīng)急方案需要涉及到方方面面。但實(shí)際的故障處理過(guò)程中，我們可以發(fā)現(xiàn)其實(shí)我們的應(yīng)急措施往往重復(fù)使用幾個(gè)常用的步驟，所以我認(rèn)為應(yīng)急方案要有重點(diǎn)，如果一個(gè)應(yīng)急方案可以應(yīng)對(duì)平時(shí)故障處理80%的場(chǎng)景，那這個(gè)應(yīng)急手冊(cè)應(yīng)該是合格的。過(guò)于追求影響應(yīng)用系統(tǒng)方方面面的內(nèi)容，會(huì)導(dǎo)致這個(gè)方案可讀性變差，最終變更一個(gè)應(yīng)付檢查的文檔。以下是我覺(jué)得應(yīng)用系統(tǒng)應(yīng)急方案應(yīng)該有的內(nèi)容：
①系統(tǒng)級(jí)：
能知道當(dāng)前應(yīng)用系統(tǒng)在整個(gè)交易中的角色，當(dāng)前系統(tǒng)出現(xiàn)問(wèn)題或上下游出現(xiàn)問(wèn)題時(shí)，可以知道如何配合上下游分析問(wèn)題，比如：上下游系統(tǒng)如何通訊，通訊是否有唯一的關(guān)鍵字等。
另外，系統(tǒng)級(jí)里還涉及一些基本應(yīng)急操作，比如擴(kuò)容、系統(tǒng)及網(wǎng)絡(luò)參數(shù)調(diào)整等。
②服務(wù)級(jí)：
能知道這個(gè)服務(wù)影響什么業(yè)務(wù)，服務(wù)涉及的日志、程序、配置文件在哪里，如何檢查服務(wù)是否正常，如何重啟服務(wù)，如何調(diào)整應(yīng)用級(jí)參數(shù)等。
③交易級(jí)：
能知道如何查到某支或某類交易出現(xiàn)了問(wèn)題，是大面積、局部，還是偶發(fā)性問(wèn)題，能用數(shù)據(jù)說(shuō)明交易影響的情況，能定位到交易報(bào)錯(cuò)的信息。這里最常用的方法就是數(shù)據(jù)庫(kù)查詢或工具的使用。
知道最重要的交易如何檢查是否正常，重要的定時(shí)任務(wù)的應(yīng)急處理方案，比如開業(yè)、換日、對(duì)賬的時(shí)間要求及應(yīng)急措施。
④輔助工具的使用：
有時(shí)候，需要借助一些工具或自動(dòng)化工具輔助分析并應(yīng)急，這時(shí)需要有輔助工具如何使用的方法。
⑤溝通方案：
溝通方案涉及通訊錄，包括上下游系統(tǒng)、第三方單位、業(yè)務(wù)部門等渠道。
上述5點(diǎn)內(nèi)容如何都完備，相信這個(gè)應(yīng)急手冊(cè)已可以解決80%的故障恢復(fù)工作。
（2）應(yīng)急方案是一項(xiàng)持續(xù)的工作
有了應(yīng)急方案，如何讓運(yùn)維人員持續(xù)去更新是難點(diǎn)。我認(rèn)為要解決這個(gè)難點(diǎn)，需要先讓運(yùn)維人員經(jīng)常使用這個(gè)手冊(cè)。如果一個(gè)手冊(cè)沒(méi)有場(chǎng)景可以用，那就需要管理者為運(yùn)維人員創(chuàng)造機(jī)會(huì)去使用這個(gè)手冊(cè)，比如應(yīng)急演練。
（3）關(guān)注運(yùn)維人員對(duì)應(yīng)用關(guān)鍵信息的認(rèn)識(shí)
前兩點(diǎn)關(guān)注了手冊(cè)，最后一點(diǎn)我覺(jué)得有必要關(guān)注使用這個(gè)手冊(cè)的人。有些運(yùn)維人員認(rèn)為應(yīng)用運(yùn)維人員沒(méi)有能力去把應(yīng)用系統(tǒng)本身的內(nèi)容了解得很透徹，所以應(yīng)用運(yùn)維人員在故障處理過(guò)程中的地位很尷尬，運(yùn)維人員掌握操作權(quán)，但卻不知道應(yīng)該操作什么。
對(duì)此，我認(rèn)同應(yīng)用運(yùn)維人員不需要掌握應(yīng)用系統(tǒng)的業(yè)務(wù)功能，但我覺(jué)得就對(duì)應(yīng)用系統(tǒng)本身來(lái)講應(yīng)用運(yùn)維人員需要具備以下最基本的能力：
①知道應(yīng)用系統(tǒng)這個(gè)是干什么的，基本的業(yè)務(wù)是什么；
②知道應(yīng)用架構(gòu)部署、上下游系統(tǒng)邏輯關(guān)系；
③知道應(yīng)用下的服務(wù)的作用、端口、服務(wù)級(jí)的應(yīng)急處理，日志等數(shù)據(jù)信息如何找到并簡(jiǎn)單定位。
④知道應(yīng)用系統(tǒng)重要的時(shí)間點(diǎn)及任務(wù)，比如開業(yè)、停業(yè)、換日、定時(shí)任務(wù)的時(shí)間點(diǎn)以及如何判斷這些任務(wù)是否正確
⑤知道最重要的幾支交易的流程；
⑥知道常見(jiàn)數(shù)據(jù)庫(kù)表結(jié)構(gòu)，并能使用。
4、智能化事件處理
處理方法如下圖（詳細(xì)的智能化涉及監(jiān)控、規(guī)則引擎、配置工具、CMDB、應(yīng)用配置庫(kù)等模塊協(xié)同工作，具體介紹后續(xù)分析）
