故障的定义和避免

故障等级的定义

可以参照互联网网络故障标准来定义，一般公司故障定级是分四级，比如：P1 是最严重的故障，P4 是最轻微的故障。

• P1：服务或功能一段时间或者长时间不可用，造成公司资产损失，或者严重影响用户正常使用。
• P2：服务或功能一段时间不可用，影响外部用户正常使用，并造成一定影响。
• P3：服务或功能一段时间不可用，影响内部正常运营工作，外部用户无感知，或者影响轻微。
• P4：短暂停服，内外用户都无明显感知，影响轻微。

高可用 SLA 说明：

为什么会故障？故障导致的三大类原因

1. 变更（修改配置出问题，程序发布有BUG，重启应用）；
2. 用户行为（客户大促销，用户异常出发BUG，黑客攻击）；
3. 设备硬件故障（磁盘故障，网络线路故障，机房故障，自然灾害地震）；

怎么做避免故障？

故障前

操作规范，安全检测，监控，数据备份，故障回滚方案，架构高可用方案，故障切换方案，故障自愈方案。

故障中

• 评估故障，是否执行回滚，是否执行切换方案等；
• 重要操作三思而行；
• 不要疲劳驾驶，喝酒不上机，上机不喝酒；

故障后

• 检查是否全部业务都恢复正常；
• 分析日志；
• 复盘分析；
• 总结方法避免类似故障；

---

最后更新: 2024年12月12日