可靠性、容量与故障管理
性能与综合排障#可靠性#容量#故障管理约 500 字 · 1 分钟阅读
追问显示点击任意追问卡片可收起 / 展开
如何制定值班告警的响应流程？
追问 确认、分级、升级、沟通、处置、恢复和记录分别由谁负责？
发生故障时，如何确定业务影响范围？
追问 受影响用户、接口、地域、时间段和关键交易如何量化？
故障处理中为什么需要保留现场证据？
追问 日志、指标、进程状态、配置差异和最近变更如何在操作前快速收集？
什么时候应优先止损，什么时候应继续定位？
追问 回滚、限流、降级、摘除节点和扩容分别适合什么证据与风险条件？
如何使用错误预算辅助发布决策？
追问 SLO 持续未达标时，如何调整发布节奏和可靠性改进优先级？
如何做容量评估与压测？
追问 真实流量模型、并发、吞吐、响应时间、错误率和安全边界如何设计？
容量达到瓶颈时，如何判断应扩容还是优化？
追问 资源饱和、慢 SQL、锁、连接池、外部限额和成本如何综合分析？
如何验收备份恢复与故障演练？
追问 RPO、RTO、数据一致性、依赖恢复和真实业务验证如何测量？
如何编写一份可以实际使用的应急 Runbook？
追问 触发条件、检查步骤、操作权限、风险、回滚、验收和升级联系应包含什么？
一次故障复盘应该产生哪些结果？
追问 时间线、影响、根因、促成因素、发现与恢复缺口、改进负责人和验收期限如何记录？