能解決 80% 故障的排查思路 ，建議收藏！！
作者：程序員面試吧
來源：blog.csdn.net/Dou_Hua_Hua/article/details/108829245
在講解事件、故障處理思路前，先講一個故障場景（以呼叫中心系統(tǒng)作為一例子）：
業(yè)務(wù)人員反映呼叫中心系統(tǒng)運(yùn)行緩慢，部份電話在自助語言環(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、查交易量還有沒有……時(shí)間不知不覺的在敲鍵盤、敲鍵盤、敲鍵盤中過去，但是原因還未定位。
經(jīng)理過來了解情況：“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，定位到問題原因是其中一個功能沒有控制返回?cái)?shù)量，導(dǎo)致內(nèi)存泄露。
針對這個故障，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：
優(yōu)先故障處理過程的時(shí)間：”能通過鼠標(biāo)完成的工作，不要用鍵盤“
完善故障應(yīng)急方案：“應(yīng)急方案是最新的、準(zhǔn)確的、簡單明了的”
長遠(yuǎn)目標(biāo)：故障自愈：“能固化的操作自動化，能機(jī)器做的讓機(jī)器做”
下面將從故障常見的處理方法開始介紹，再從故障前的準(zhǔn)備工作（完善監(jiān)控、制定應(yīng)急方案等方式）來解決經(jīng)理提出的問題，并提出未來解決故障的想法。
一、常見的方法
1、確定故障現(xiàn)象并初判問題影響
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)維人員需要對應(yīng)用系統(tǒng)的整體功能有一定的熟悉程度。
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)用性能問題，可以考慮調(diào)整應(yīng)用參數(shù)、日志參數(shù)； 數(shù)據(jù)庫繁忙，可以考慮通過數(shù)據(jù)庫快照分析，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； 還有很多……
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)場景，比如在殺進(jìn)程前，可以先抓個CORE文件或數(shù)據(jù)庫快照文件。
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)，對于快速解決問題很重要，能重現(xiàn)說明總會有辦法或工具幫助我們定位到問題原因，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)致的問題。
但如果故障是偶發(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)場信息來決定是否可以定位到總是原因。
是否進(jìn)行過相關(guān)變更。
大部份故障是由于變更導(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。
2）是否進(jìn)行過相關(guān)變更
大部份故障是由于變更導(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。
關(guān)聯(lián)方配合分析問題
與第（3）點(diǎn)避免同時(shí)各關(guān)聯(lián)團(tuán)隊(duì)同時(shí)無頭緒的排查的同時(shí)，對于牽頭方在縮小范圍后需要開放的態(tài)度去請求關(guān)聯(lián)方配合定位，而對于關(guān)聯(lián)方則需要有積極配合的工作態(tài)度。
4）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，對運(yùn)維人員不僅需要知道業(yè)務(wù)功能對應(yīng)哪個服務(wù)進(jìn)程，還要知道這個服務(wù)進(jìn)程對應(yīng)的哪些應(yīng)用日志，并具備一些簡單的應(yīng)用日志異常錯誤的判斷能力。
5）是否有core或dump等文件
故障期間的系統(tǒng)現(xiàn)場很重要，這個在故障應(yīng)急前建議在有條件的情況下留下系統(tǒng)現(xiàn)場的文件，比如 CORE\DUMP，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，需要啟動緊急處理的流程，建議可以考慮以下溝通：
召集相關(guān)人員
描述故障現(xiàn)狀
說明正常應(yīng)用邏輯流程
陳述變更
排查進(jìn)展，展示信息
領(lǐng)導(dǎo)決策
二、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、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：
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）
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
交易異常情況數(shù)據(jù)：交易成功率、失敗率、錯誤碼最多交易
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)部有問題還是關(guān)聯(lián)系統(tǒng)有問題，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。
監(jiān)控最基本的工作就是實(shí)現(xiàn)對負(fù)載均衡設(shè)備、網(wǎng)絡(luò)設(shè)備、服務(wù)器、存儲設(shè)備、安全設(shè)備、數(shù)據(jù)庫、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)控告警即可作出簡單的問題定位與應(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【自動執(zhí)行端口進(jìn)程啟動】，該事件緊急程度【高】。
管理員可以通過短信內(nèi)容看到哪個系統(tǒng)、哪個應(yīng)用、哪個模塊出了什么問題，可能是什么原因，對業(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，對于匯總分析的數(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解決事件的規(guī)則，它便有為管理員處理故障的能力。
三、應(yīng)急方案
提前制定好故障應(yīng)急方案是很有必要的，但在日常工作過程中我們的應(yīng)急方案遇到一些問題：
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；
應(yīng)急方案過于追求大而全，導(dǎo)致不利于閱讀與使用；
應(yīng)急方案形式大于實(shí)際使用效果，方案針對性不強(qiáng)；
只關(guān)注應(yīng)急方案的內(nèi)容，但沒有關(guān)注運(yùn)維人員對方案的理解；
針對上述常見問題，應(yīng)急方案需要做到以下幾點(diǎn)：
1、內(nèi)容精簡
很多人可能會認(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)，如果一個應(yīng)急方案可以應(yīng)對平時(shí)故障處理80%的場景，那這個應(yīng)急手冊應(yīng)該是合格的。過于追求影響應(yīng)用系統(tǒng)方方面面的內(nèi)容，會導(dǎo)致這個方案可讀性變差，最終變更一個應(yīng)付檢查的文檔。以下是我覺得應(yīng)用系統(tǒng)應(yīng)急方案應(yīng)該有的內(nèi)容：
1）系統(tǒng)級
能知道當(dāng)前應(yīng)用系統(tǒng)在整個交易中的角色，當(dāng)前系統(tǒng)出現(xiàn)問題或上下游出現(xiàn)問題時(shí)，可以知道如何配合上下游分析問題，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
能知道這個服務(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)用級參數(shù)等。
3）交易級
能知道如何查到某支或某類交易出現(xiàn)了問題，是大面積、局部，還是偶發(fā)性問題，能用數(shù)據(jù)說明交易影響的情況，能定位到交易報(bào)錯的信息。這里最常用的方法就是數(shù)據(jù)庫查詢或工具的使用。
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。
6）其它
上述5點(diǎn)內(nèi)容如何都完備，相信這個應(yīng)急手冊己可以解決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)為要解決這個難點(diǎn)，需要先讓運(yùn)維人員經(jīng)常使用這個手冊。如果一個手冊沒有場景可以用，那就需要管理者為運(yùn)維人員創(chuàng)造機(jī)會去使用這個手冊，比如應(yīng)急演練。
3、關(guān)注運(yùn)維人員對應(yīng)用關(guān)鍵信息的認(rèn)識
前兩點(diǎn)關(guān)注了手冊，最后一點(diǎn)我覺得有必要關(guān)注使用這個手冊的人。有些運(yùn)維人員認(rèn)為應(yīng)用運(yùn)維人員沒有能力去把應(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，但我覺得就對應(yīng)用系統(tǒng)本身來講應(yīng)用運(yùn)維人員需要具備以下最基本的能力：
知道應(yīng)用系統(tǒng)這個是干什么的，基本的業(yè)務(wù)是什么；
知道應(yīng)用架構(gòu)部署、上下游系統(tǒng)邏輯關(guān)系；
知道應(yīng)用下的服務(wù)的作用、端口、服務(wù)級的應(yīng)急處理，日志等數(shù)據(jù)信息如何找到并簡單定位；
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；
知道最重要的幾支交易的流程；
知道常見數(shù)據(jù)庫表結(jié)構(gòu)，并能使用。
四、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)用配置庫等模塊協(xié)同工作）。