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)務人員反映呼叫中心系統(tǒng)運行緩慢，部份電話在自助語言環(huán)節(jié)系統(tǒng)處理超時，話務轉(zhuǎn)人工座席，人工座席出現(xiàn)爆線情況。

運維人員開始忙活了，查資源使用情況、查服務是否正常、查日志是否報錯、查交易量還有沒有……時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)恢復了嗎？”、“故障影響是什么？”、“交易中斷了嗎？”……

運維人員趕緊敲鍵盤，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數(shù)量，導致內(nèi)存泄露。

針對這個故障，業(yè)務希望運維能否更快的解決故障的恢復，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)先故障處理過程的時間——”能通過鼠標完成的工作，不要用鍵盤“

2、提前發(fā)現(xiàn)故障，加強監(jiān)控——“技術早于業(yè)務發(fā)現(xiàn)問題，監(jiān)控不僅是報警，還要協(xié)助故障定位”

3、完善故障應急方案——“應急方案是最新的、準確的、簡單明了的”

4、長遠目標：故障自愈——”能固化的操作自動化，能機器做的讓機器做“

下面將從故障常見的處理方法開始介紹，再從故障前的準備工作（完善監(jiān)控、制定應急方案等方式）來解決經(jīng)理提出的問題，并提出未來解決故障的想法。

1、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)象直接決定故障應急方案的制定，這依賴于運維人員需要對應用系統(tǒng)的整體功能有一定的熟悉程度。

確認了故障現(xiàn)象后，才能指導運維人員初判斷故障影響。

2）應急恢復

運維最基本的指標就是系統(tǒng)可用性，應急恢復的時效性是系統(tǒng)可用性的關鍵指標。

有了上述故障現(xiàn)象與影響的判斷后，就可以制定故障應急操作，故障應急有很多，比如：

服務整體性能下降或異常，可以考慮重啟服務；

應用做過變更，可以考慮是否需要回切變更；

資源不足，可以考慮應急擴容；

應用性能問題，可以考慮調(diào)整應用參數(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；

應用功能設計有誤，可以考慮緊急關閉功能菜單；

還有很多……

另外，需要補充的是，在故障應急前，在有條件的情況需要保存當前系統(tǒng)場景，比如在殺進程前，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

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異常、變更等工作導致的問題。

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。

是否進行過相關變更

大部份故障是由于變更導致，確定故障現(xiàn)象后，如果有應的變更，有助于從變更角度出現(xiàn)分析是否是變更引起，進而快速定位故障并準備好回切等應急方案。

是否可縮小范圍

一方面應用系統(tǒng)提倡解耦，一支交易會流經(jīng)不同的應用系統(tǒng)及模塊；另一方面，故障可能由于應用、系統(tǒng)軟件、硬件、網(wǎng)絡等環(huán)節(jié)的問題。在排查故障原因時應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)關聯(lián)團隊排查。

關聯(lián)方配合分析問題

與第（3）點避免同時各關聯(lián)團隊同時無頭緒的排查的同時，對于牽頭方在縮小范圍后需要開放的態(tài)度去請求關聯(lián)方配合定位，而對于關聯(lián)方則需要有積極配合的工作態(tài)度。

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用日志，對運維人員不僅需要知道業(yè)務功能對應哪個服務進程，還要知道這個服務進程對應的哪些應用日志，并具備一些簡單的應用日志異常錯誤的判斷能力。

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的方法，在重大故障或多方處理的故障出現(xiàn)時，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：

召集相關人員

描述故障現(xiàn)狀

說明正常應用邏輯流程

陳述變更

排查進展，展示信息

領導決策

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的運行數(shù)據(jù)，比如：能夠看到一段時間的趨勢、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時交易數(shù)據(jù)，以便故障定位：

-交易性能數(shù)據(jù)：平均交易耗時、系統(tǒng)內(nèi)部模塊交易耗時（IVR交易耗時、接口總線交易耗時）、關聯(lián)系統(tǒng)交易耗時（核心交易耗時、工單系統(tǒng)交易耗時等）

-重要交易指標數(shù)據(jù)：交易量、IVR交易量、話務量、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

-按服務器分析交易數(shù)據(jù)：按server統(tǒng)計各服務交易處理筆數(shù)，交易總耗時

有了以上交易數(shù)據(jù)，并通過監(jiān)控按一定頻率統(tǒng)計，運維人員在出現(xiàn)故障時，通過鼠標即點擊即可看到故障什么時候開始，是系統(tǒng)內(nèi)部有問題還是關聯(lián)系統(tǒng)有問題，最突出的交易是哪一支，各服務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現(xiàn)對負載均衡設備、網(wǎng)絡設備、服務器、存儲設備、安全設備、數(shù)據(jù)庫、中間件及應用軟件等IT資源的全面監(jiān)控管理。在應用軟件類的監(jiān)控工作中，不僅需要有服務進程、端口等監(jiān)控，還需要有業(yè)務、交易層的監(jiān)控。

全面性的應用監(jiān)控可以讓故障提前預警，并保存了影響應用運行環(huán)境的數(shù)據(jù)，以縮短故障處理時間。

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急處理方案。比如類似以下的監(jiān)控短信：

22時，【理財應用系統(tǒng)】中【應用服務器LC_APPsvrA 10.2.111.111】的【前置應用模塊】出現(xiàn)【應用端口：9080】不存在，該端口作用【提供理財應用處理（負載均衡部署）】，原因可能為【SERVER1服務異常停止】，監(jiān)控系統(tǒng)己進行以下應急處理【自動執(zhí)行端口進程啟動】，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)、哪個應用、哪個模塊出了什么問題，可能是什么原因，對業(yè)務有什么影響，是否需要馬上處理（比如凌晨出現(xiàn)此預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時的數(shù)據(jù)告警，也要有匯總數(shù)據(jù)的分析告警，實時數(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)潛在風險，同時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。

3、應急方案

提前制定好故障應急方案是很有必要的，但在日常工作過程中我們的應急方案遇到一些問題：

1）應急方案缺乏持續(xù)維護，缺乏演練，信息不及時、不準確；

2）應急方案過于追求大而全，導致不利于閱讀與使用；

3）應急方案形式大于實際使用效果，方案針對性不強；

4）只關注應急方案的內(nèi)容，但沒有關注運維人員對方案的理解；

針對上述常見問題，應急方案需要做到以下幾點：

1）內(nèi)容精簡

很多人可能會認為故障出現(xiàn)的形式各種各樣，所以應急方案需要涉及到方方面面。但實際的故障處理過程中，我們可以發(fā)現(xiàn)其實我們的應急措施往往重復使用幾個常用的步驟，所以我認為應急方案要有重點，如果一個應急方案可以應對平時故障處理80%的場景，那這個應急手冊應該是合格的。過于追求影響應用系統(tǒng)方方面面的內(nèi)容，會導致這個方案可讀性變差，最終變更一個應付檢查的文檔。以下是我覺得應用系統(tǒng)應急方案應該有的內(nèi)容：

（1）系統(tǒng)級：

能知道當前應用系統(tǒng)在整個交易中的角色，當前系統(tǒng)出現(xiàn)問題或上下游出現(xiàn)問題時，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鍵字等。

另外，系統(tǒng)級里還涉及一些基本應急操作，比如擴容、系統(tǒng)及網(wǎng)絡參數(shù)調(diào)整等。

（2）服務級：

能知道這個服務影響什么業(yè)務，服務涉及的日志、程序、配置文件在哪里，如何檢查服務是否正常，如何重啟服務，如何調(diào)整應用級參數(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，重要的定時任務的應急處理方案，比如開業(yè)、換日、對賬的時間要求及應急措施。

（4）輔助工具的使用：

有時候，需要借助一些工具或自動化工具輔助分析并應急，這時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)務部門等渠道。

（6）其它：

上述5點內(nèi)容如何都完備，相信這個應急手冊己可以解決80%的故障恢復工作。

2）應急方案是一項持續(xù)的工作

有了應急方案，如何讓運維人員持續(xù)去更新是難點。我認為要解決這個難點，需要先讓運維人員經(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維人員創(chuàng)造機會去使用這個手冊，比如應急演練。

3）關注運維人員對應用關鍵信息的認識

前兩點關注了手冊，最后一點我覺得有必要關注使用這個手冊的人。有些運維人員認為應用運維人員沒有能力去把應用系統(tǒng)本身的內(nèi)容了解得很透徹，所以應用運維人員在故障處理過程中的地位很尷尬，運維人員掌握操作權，但卻不知道應該操作什么。

對此，我認同應用運維人員不需要掌握應用系統(tǒng)的業(yè)務功能，但我覺得就對應用系統(tǒng)本身來講應用運維人員需要具備以下最基本的能力：

（1）知道應用系統(tǒng)這個是干什么的，基本的業(yè)務是什么；

（2）知道應用架構(gòu)部署、上下游系統(tǒng)邏輯關系；

（3）知道應用下的服務的作用、端口、服務級的應急處理，日志等數(shù)據(jù)信息如何找到并簡單定位。

（4）知道應用系統(tǒng)重要的時間點及任務，比如開業(yè)、停業(yè)、換日、定時任務的時間點以及如何判斷這些任務是否正確

（5）知道最重要的幾支交易的流程；

（6）知道常見數(shù)據(jù)庫表結(jié)構(gòu)，并能使用。

4、智能化事件處理

處理方法如下圖（詳細的智能化涉及監(jiān)控、規(guī)則引擎、配置工具、CMDB、應用配置庫等模塊協(xié)同工作）

責編AJX