08｜故障复盘：黄金三问与判定三原则

故障复盘是SRE中的重要原则，旨在从故障中学习和提升。文章提出了故障复盘的黄金三问：故障原因有哪些？我们做什么，怎么做才能确保下次不会再出现类似故障？当时如果我们做了什么，可以用更短的时间恢复业务？作者分享了团队在故障复盘过程中的经验，强调了故障根因不止一个的观点，提倡一起寻找引起故障的原因并制定改进措施。文章还介绍了在故障复盘时的具体做法，包括结合Timeline进行分类、针对耗时长的环节讨论改进措施、定责任人和时间点并持续跟进执行状况。最后，强调了在故障复盘会上紧扣着黄金三问进行讨论，不允许相互指责和埋怨的情况出现。整体而言，文章强调了故障复盘的重要性，提出了实用的方法和原则，对于SRE从业者具有一定的指导意义。 文章还介绍了故障判定的三原则，包括健壮性原则、第三方默认无责、分段判定原则，这些原则旨在帮助团队更开放地寻找不足，从自身找不足，找到更多可以改进的地方，不断从故障中学习和改进。作者强调了不纠结于故障根因，而是将更多的注意力放在提升故障处理的效率，缩短业务故障时长。最后，作者提出了一个思考题，邀请读者分享对于5W分析法的看法。 总的来说，本文通过介绍故障复盘的重要性、黄金三问和故障判定的三原则，为读者提供了实用的方法和原则，帮助他们更好地进行故障复盘和持续改进。