18 | 故障处理最佳实践：故障改进
陈皓
该思维导图由 AI 生成，仅供参考
你好，我是陈皓，网名左耳朵耗子。
在上节课中，我跟你分享了在故障发生时，我们该怎样做，以及在故障前该做些什么准备。只要做到我提到的那几点，你基本上就能游刃有余地处理好故障了。然而，在故障排除后，如何做故障复盘及整改优化则更为重要。在这篇文章中，我就跟你聊聊这几个方面的内容。
故障复盘过程
对于故障，复盘是一件非常重要的事情，因为我们的成长基本上就是从故障中总结各种经验教训，从而可以获得最大的提升。在亚马逊和阿里，面对故障的复盘有不一样的流程，虽然在内容上差不多，但细节上有很多不同。
亚马逊内部面对 S1 和 S2 的故障复盘，需要那个团队的经理写一个叫 COE（Correction of Errors）的文档。这个 COE 文档，基本上包括以下几方面的内容。
故障处理的整个过程。就像一个 log 一样，需要详细地记录几点几分干了什么事，把故障从发生到解决的所有细节过程都记录下来。
故障原因分析。需要说明故障的原因和分析报告。
Ask 5 Whys。需要反思并反问至少 5 个为什么，并为这些“为什么”找到答案。
故障后续整改计划。需要针对上述的“Ask 5 Whys”说明后续如何举一反三地从根本上解决所有的问题。
然后，这个文档要提交到管理层，向公司的 VP 级的负责人进行汇报，并由他们来审查。
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线笔记
复制
AI
- 深入了解
- 翻译
- 解释
- 总结
故障处理最佳实践：故障改进 文章介绍了在故障排除后的故障复盘及整改优化的重要性。作者分享了亚马逊和阿里在故障复盘过程中的不同流程，以及针对故障的整改方法和原则。在故障复盘过程中，亚马逊要求团队经理编写COE文档，详细记录故障处理过程、故障原因分析和提出故障后续整改计划，而阿里则采用召集相关人员进行复盘的方式。此外，文章还介绍了故障整改方法，作者倾向于采用亚马逊的Ask 5 Whys方法，通过连续追问为什么来找到问题的本质。最后，作者总结了三条工作原则，包括举一反三解决故障、简化复杂的技术架构和全面改善整个系统。文章强调了简化复杂系统的重要性，以及在处理故障时需要从根本上改善整体结构。 这篇文章深入探讨了故障处理的复盘和整改优化，突出了技术和管理两方面的方法。通过分享亚马逊和阿里的不同做法，以及作者的个人经验和观点，为读者提供了宝贵的故障处理经验和启示。文章内容丰富，观点鲜明，对于需要了解故障处理最佳实践的读者具有很高的参考价值。
仅可试看部分内容，如需阅读全部内容，请付费购买文章所属专栏
《左耳听风》，新⼈⾸单¥98
《左耳听风》，新⼈⾸单¥98
立即购买
© 版权归极客邦科技所有，未经许可不得传播售卖。 页面已增加防盗追踪，如有侵权极客邦将依法追究其法律责任。
登录 后留言
全部留言(65)
- 最新
- 精选
杜小琨耳朵大叔，介绍下你对故障判责边界的划分有什么经验和原则。 另外我不认同你对阿里故障惩罚机制不认同的观点，我比较认同人是利益驱动的生物。作者回复: 发生故障的最佳实践是反思、总结和改善，判责对故障的解决没有因果关系。“人是利益驱动的”没错，但是“利益”和“能力”没有任何关系，处理故障是靠“能力”不靠“利益”，希望你能get到这其中的“因果关系”。
2017-12-151043
茎待佳阴我们公司比较奇葩，记得是今年7月的一个晚上，因为那段时间用户量涨得快，所以对服务扩分片，然后，由于需要GO那边的一哥们重启代理，没沟通好，导致，他把代理重启了，我服务还没启动，导致一半的用户无法登陆。CTO当时也在那坐着，起来就把键盘摔了，在那骂半天。之后线上故障了基本也都是这样，只要出问题，就用骂来解决问题，表示问题跟领导没关系。2018-01-0619111
z_sz做得越多，错得越多，隔壁组一个男生就是因为这个考核很差愤而离职了……2018-03-03360
不会跑一般会在故障发生时一刀切强调止损，然后故障结束后强调事故报告，接着强调责任“划分”，最后发现责任人过少或者事故太大，那简单 加上运维团队就好；最后的最后催一催故障报告以及美化故障报告. 对的我是运维😂2017-12-0540
bullboying故障分为自产软件类，第三方软硬件类，操作类，外部原因类共四类。 每起故障都会有技术复盘，由研发总监牵头处理。另外会有月度管理复盘，探讨有哪些管理改进措施。所有改进措施都要创建任务单跟踪，确保必须有个结果，是落实了或者是投入产出比不合适而取消了。 持续优化故障处理流程几年了，故障发生率和平均业务恢复时间都在持续下降中。2017-12-05128
马若飞我司的处理方式和亚马逊的COE类似，要写这种东西，基本内容也一样。然后严重的故障P1 P2级别的要在公司级别的每个release review大会上复盘。。。另外我司是2B公司，客户很重要，基本上出了大问题都是会给客户造成million级别的损失，所以我司没有惩罚机制，直接fire。。。2018-06-06125- helloworld阿里做基础架构的是不是经常背锅2017-12-0522
UioSun支持“不从物质上惩罚工程师”。 如果觉得无法掌控员工的生产力盈余，可以要求团队写周记甚至日报；如果觉得员工工作不合适，要么谈话，要么开除。惩罚工程师看起来很解气，但对这个人能否反省和进步，意义不大。不再犯错不等于反省，或许就如同文中说的，只是等于“不再触碰”。 那惩罚的意义何在呢？这个员工成长不起来，早晚要被开除。 延缓公司为该员工递增支付的成本吗？企业如果真的有这个资源，何不再培养一位新员工，毕竟价值观都不一致，将人留下来只是“徒添鸡肋”罢了。 将员工吓得因噎废食，实在没有必要，与其如此，何不直接开除员工，这样你好我好大家好，别耽误对方。2019-03-04117
Geek_fb3db2为什么网页版本 复制不了，想记录下笔记 都没法复制，这样不好吧。2018-11-13113- Geek_7b1383第一，优化故障获知和故障定位的时间----监控全面并且自动化 第二，优化故障的处理方式-----监控发给恰当的人 第三，优化开发过程中的问题。-----技术债定期排期优化，三级codeview 第四，优化团队能力。-----结对编程等，团队的技术输出，学习群等 我们公司的复盘方式同耗子哥所描述的亚马逊的复盘方式，都是责任到人，CTO参与检视并汇报的，结果是近2年来故障逐年降低，系统方面的基础工具支持越来越完善，监控故障处理方面也越来越自动化智能化2020-04-258
收起评论
