小程序穩(wěn)定性保障方案:高可用系統(tǒng)大促作戰(zhàn)指南
一 前言
年年有大促，大家對(duì)于大促穩(wěn)定性保障這個(gè)詞都不陌生，業(yè)務(wù)場(chǎng)景盡管各不相同，“套路”往往殊路同歸，全鏈路壓測(cè)、容量評(píng)估、限流、緊急預(yù)案等，來(lái)來(lái)去去總少不了那么幾板斧。
跳出這些“套路”，回到問(wèn)題的本質(zhì)，我們?yōu)槭裁匆凑者@些策略來(lái)做？
除了口口相傳的歷史經(jīng)驗(yàn)，我們還能做些什么？又有什么理論依據(jù)？
二 怎樣的系統(tǒng)算是穩(wěn)定？
首先回答另一個(gè)問(wèn)題，怎樣的系統(tǒng)算是穩(wěn)定的？
Google SRE中(SRE三部曲[1])有一個(gè)層級(jí)模型來(lái)描述系統(tǒng)可靠性基礎(chǔ)和高層次需求(Dickerson's Hierarchy of Service Reliability)，該模型由Google SRE工程師Mikey Dickerson在2013年提出，將系統(tǒng)穩(wěn)定性需求按照基礎(chǔ)程度進(jìn)行了不同層次的體系化區(qū)分，形成穩(wěn)定性標(biāo)準(zhǔn)金字塔模型。
金字塔的底座是監(jiān)控(Monitoring)，這是一個(gè)系統(tǒng)對(duì)于穩(wěn)定性最基礎(chǔ)的要求，缺少監(jiān)控的系統(tǒng)，如同蒙上眼睛狂奔的野馬，無(wú)從談及可控性，更遑論穩(wěn)定性。更上層是應(yīng)急響應(yīng)(Incident Response)，從一個(gè)問(wèn)題被監(jiān)控發(fā)現(xiàn)到最終解決，這期間的耗時(shí)直接取決于應(yīng)急響應(yīng)機(jī)制的成熟度。合理的應(yīng)急策略能保證當(dāng)故障發(fā)生時(shí)，所有問(wèn)題能得到有序且妥善的處理，而不是慌亂成一鍋粥。事后總結(jié)以及根因分析(Postmortem&Root Caue Analysis)，即我們平時(shí)談到的“復(fù)盤”，雖然很多人都不太喜歡這項(xiàng)活動(dòng)，但是不得不承認(rèn)這是避免我們下次犯同樣錯(cuò)誤的最有效手段，只有當(dāng)摸清故障的根因以及對(duì)應(yīng)的缺陷，我們才能對(duì)癥下藥，合理進(jìn)行規(guī)避。
假設(shè)一個(gè)系統(tǒng)從初次發(fā)布后就不再進(jìn)行更新迭代，做好上述三個(gè)方面的工作就能基本滿足系統(tǒng)對(duì)于穩(wěn)定性的全部需求?？上壳盎静粫?huì)存在這樣的系統(tǒng)，大大小小的應(yīng)用都離不開(kāi)不斷的變更與發(fā)布，因此要保證系統(tǒng)在這些迭代中持續(xù)穩(wěn)定，測(cè)試和發(fā)布管控(Testing&Release procedures)是必不可少的。有效的測(cè)試與發(fā)布策略能保障系統(tǒng)所有新增變量都處于可控穩(wěn)定區(qū)間內(nèi)，從而達(dá)到整體服務(wù)終態(tài)穩(wěn)定。除了代碼邏輯更新，迭代同樣可能帶來(lái)業(yè)務(wù)規(guī)模及流量的變化，容量規(guī)劃(Capacity Planning)則是針對(duì)于這方面變化進(jìn)行的保障策略。現(xiàn)有系統(tǒng)體量是否足夠支撐新的流量需求，整體鏈路上是否存在不對(duì)等的薄弱節(jié)點(diǎn)，都是容量規(guī)劃需要考慮的問(wèn)題。
位于金字塔模型最頂端的是產(chǎn)品設(shè)計(jì)(Product)與軟件研發(fā)(Development)，即通過(guò)優(yōu)秀的產(chǎn)品設(shè)計(jì)與軟件設(shè)計(jì)使系統(tǒng)具備更高的可靠性，構(gòu)建高可用產(chǎn)品架構(gòu)體系，從而提升用戶體驗(yàn)。
三 大促穩(wěn)定性保障方法
從金字塔模型我們可以看到構(gòu)建維護(hù)一個(gè)高可用服務(wù)所需要做到的幾方面工作，那么問(wèn)題回到大促穩(wěn)定性，如何體系化地保障大促期間系統(tǒng)穩(wěn)定性？
大促保障實(shí)際上針對(duì)于特定業(yè)務(wù)場(chǎng)景的集中穩(wěn)定性建設(shè)工作，相較于日常保障工作，具有高并發(fā)流量、短保障周期的特點(diǎn)，對(duì)系統(tǒng)性能與保障時(shí)間有明確要求（一般為2個(gè)月左右）。
考慮到上述特性，我們?nèi)绾卧诙虝r(shí)間內(nèi)針對(duì)大促大流量業(yè)務(wù)場(chǎng)景對(duì)系統(tǒng)穩(wěn)定性需求進(jìn)行優(yōu)化鞏固？
既然時(shí)間有限，盲目撒網(wǎng)必然不是最佳策略，需要有針對(duì)性地從關(guān)鍵點(diǎn)、薄弱點(diǎn)下手。因此第一步，需要獲得全局系統(tǒng)鏈路現(xiàn)狀，包括關(guān)鍵外部依賴、重點(diǎn)業(yè)務(wù)影響等，找到整體保障的核心關(guān)注點(diǎn)。接下來(lái)進(jìn)一步分析大促業(yè)務(wù)數(shù)據(jù)，得到除系統(tǒng)本身以外的變量干擾因素。以這兩者為基礎(chǔ)，集中圍繞金字塔模型中系統(tǒng)監(jiān)控、規(guī)劃容量、應(yīng)急響應(yīng)、測(cè)試和復(fù)盤等幾個(gè)方面需求對(duì)系統(tǒng)進(jìn)行針對(duì)性集中保障建設(shè)，得到最終保障結(jié)果。
至此，基本獲得了完整的大促穩(wěn)定性保障策略方向，按照?qǐng)?zhí)行順序依次是：
系統(tǒng)鏈路&業(yè)務(wù)策略梳理（System & Biz Profiling）
監(jiān)控（Monitoring）
容量規(guī)劃（Capacity Planning）
應(yīng)急響應(yīng)（Incident Response）
測(cè)試
事后總結(jié)（Testing & Postmortem）
系統(tǒng)鏈路梳理是所有保障工作的基礎(chǔ)，如同對(duì)整體應(yīng)用系統(tǒng)進(jìn)行一次全面體檢，從流量入口開(kāi)始，按照鏈路軌跡，逐級(jí)分層節(jié)點(diǎn)，得到系統(tǒng)全局畫像與核心保障點(diǎn)。
入口梳理盤點(diǎn)
一個(gè)系統(tǒng)往往存在十幾個(gè)甚至更多流量入口，包含HTTP、RPC、消息等都多種來(lái)源。如果無(wú)法覆蓋所有所有鏈路，可以從以下三類入口開(kāi)始進(jìn)行梳理：
核心重保流量入口
用戶承諾服務(wù)SLI較高，對(duì)數(shù)據(jù)準(zhǔn)確性、服務(wù)響應(yīng)時(shí)間、可靠度具有明確要求。
面向企業(yè)級(jí)用戶
資損事件對(duì)應(yīng)入口
關(guān)聯(lián)到公司資金收入或者客戶資金收入
收費(fèi)服務(wù)
大流量入口
系統(tǒng)TPS&QPS TOP5~10
該類入口雖然不涉及較高SLI與資損要求，但是流量較高，對(duì)整體系統(tǒng)負(fù)載有較大影響。
節(jié)點(diǎn)分層判斷
流量入口就如同線團(tuán)中的線頭，挑出線頭后就可按照流量軌跡對(duì)鏈路上的節(jié)點(diǎn)(HSF\DB\Tair\HBase等一切外部依賴)按照依賴程度、可用性、可靠性進(jìn)行初級(jí)分層區(qū)分。
（1）強(qiáng)弱依賴節(jié)點(diǎn)判斷
若節(jié)點(diǎn)不可用，鏈路業(yè)務(wù)邏輯被中斷 or 高級(jí)別有損(存在一定耐受閾值)，則為業(yè)務(wù)強(qiáng)依賴；反之為弱依賴。
若節(jié)點(diǎn)不可用，鏈路執(zhí)行邏輯被中斷(return error)，則為系統(tǒng)強(qiáng)依賴；反之為弱依賴。
若節(jié)點(diǎn)不可用，系統(tǒng)性能受影響，則為系統(tǒng)強(qiáng)依賴；反之為弱依賴。
按照快速失敗設(shè)計(jì)邏輯，該類節(jié)點(diǎn)不應(yīng)存在，但是在不變更應(yīng)用代碼前提下，如果出現(xiàn)該類節(jié)點(diǎn)，應(yīng)作為強(qiáng)依賴看待。
若節(jié)點(diǎn)無(wú)感可降級(jí) or 存在業(yè)務(wù)輕微損傷替換方案，則為弱依賴。
（2）低可用依賴節(jié)點(diǎn)判斷
節(jié)點(diǎn)服務(wù)日常超時(shí)嚴(yán)重
節(jié)點(diǎn)對(duì)應(yīng)系統(tǒng)資源不足
（3）高風(fēng)險(xiǎn)節(jié)點(diǎn)判斷
上次大促后，節(jié)點(diǎn)存在大版本系統(tǒng)改造
新上線未經(jīng)歷過(guò)大促的節(jié)點(diǎn)
節(jié)點(diǎn)對(duì)應(yīng)系統(tǒng)是否曾經(jīng)出現(xiàn)高級(jí)別故障
節(jié)點(diǎn)故障后存在資損風(fēng)險(xiǎn)
應(yīng)產(chǎn)出數(shù)據(jù)
完成該項(xiàng)梳理工作后，我們應(yīng)該產(chǎn)出以下數(shù)據(jù)：對(duì)應(yīng)業(yè)務(wù)域所有核心鏈路分析，技術(shù)&業(yè)務(wù)強(qiáng)依賴、核心上游、下游系統(tǒng)、資損風(fēng)險(xiǎn)應(yīng)明確標(biāo)注。
2 System & Biz Profiling - 業(yè)務(wù)策略同步
不同于高可用系統(tǒng)建設(shè)體系，大促穩(wěn)定性保障體系與面向特定業(yè)務(wù)活動(dòng)的針對(duì)性保障建設(shè)，因此，業(yè)務(wù)策略與數(shù)據(jù)是我們進(jìn)行保障前不可或缺的數(shù)據(jù)。
一般大促業(yè)務(wù)數(shù)據(jù)可分為兩類，全局業(yè)務(wù)形態(tài)評(píng)估以及應(yīng)急策略&玩法。
全局評(píng)估
該類數(shù)據(jù)從可以幫助我們進(jìn)行精準(zhǔn)流量評(píng)估、峰值預(yù)測(cè)、大促人力排班等等，一般包含下面幾類：
大促業(yè)務(wù)時(shí)長(zhǎng)（XX日-XX日）
業(yè)務(wù)量預(yù)估體量（日常X倍）
預(yù)估峰值日期
業(yè)務(wù)場(chǎng)景預(yù)估流量分配
應(yīng)急策略
該類數(shù)據(jù)指相較于往年大促活動(dòng)，本次大促業(yè)務(wù)變量，可用于應(yīng)急響應(yīng)預(yù)案與高風(fēng)險(xiǎn)節(jié)點(diǎn)評(píng)估等，一般包含下面兩類：
特殊業(yè)務(wù)玩法
應(yīng)急情況打法策略
3 Monitoring - 監(jiān)控&告警梳理
目前業(yè)界常用的監(jiān)控手段一般有兩種模式，黑盒監(jiān)控(Black-box monitoring)與白盒監(jiān)控(White-box monitoring)。黑盒監(jiān)控面向?qū)ο?，一般監(jiān)控正在發(fā)生（而非即將發(fā)生）的異常，即系統(tǒng)現(xiàn)有故障。而白盒監(jiān)控主要依賴系統(tǒng)內(nèi)部指標(biāo)監(jiān)控，面向?qū)ο蟮耐瑫r(shí)也面向原因，可對(duì)系統(tǒng)即將面臨的異常進(jìn)行提前預(yù)警，也可在異常發(fā)生時(shí)同步監(jiān)控下層內(nèi)部指標(biāo)，從而定位根本原因。因此大促穩(wěn)定性保障中，我們一般選擇的是白盒監(jiān)控。
站在監(jiān)控的角度看，我們的系統(tǒng)從上到下一般可以分為三層：業(yè)務(wù)（Biz）、應(yīng)用（Application）、系統(tǒng)（System）。系統(tǒng)層為最下層基礎(chǔ)，表示操作系統(tǒng)相關(guān)狀態(tài)；應(yīng)用層為JVM層，涵蓋主應(yīng)用進(jìn)程與中間件運(yùn)行狀態(tài)；業(yè)務(wù)層為最上層，為業(yè)務(wù)視角下服務(wù)對(duì)外運(yùn)行狀態(tài)。
因此進(jìn)行大促穩(wěn)定性監(jiān)控梳理時(shí)，可以先脫離現(xiàn)有監(jiān)控，先從核心、資損鏈路開(kāi)始，按照業(yè)務(wù)、應(yīng)用（中間件、JVM、DB）、系統(tǒng)三個(gè)層次梳理需要哪些監(jiān)控，再?gòu)母鶕?jù)這些索引找到對(duì)應(yīng)的監(jiān)控告警，如果不存在，則相應(yīng)補(bǔ)上；如果存在則檢查閾值、時(shí)間、告警人是否合理。
監(jiān)控
監(jiān)控系統(tǒng)一般有四項(xiàng)黃金指標(biāo)：延時(shí)（Latency）, 錯(cuò)誤（Error）,流量（Traffic）, 飽和度（Situation），各層的關(guān)鍵性監(jiān)控同樣也可以按照這四項(xiàng)指標(biāo)來(lái)進(jìn)行歸類，具體如下：
告警
是不是每項(xiàng)監(jiān)控都需要告警？答案當(dāng)然是否定的。建議優(yōu)先設(shè)置Biz層告警，因?yàn)锽iz層我們對(duì)外服務(wù)最直觀業(yè)務(wù)表現(xiàn)，最貼切用戶感受。Application&System層指標(biāo)主要用于監(jiān)控，部分關(guān)鍵&高風(fēng)險(xiǎn)指標(biāo)可設(shè)置告警，用于問(wèn)題排查定位以及故障提前發(fā)現(xiàn)。
對(duì)于一項(xiàng)告警，我們一般需要關(guān)注級(jí)別、閾值、通知人等幾個(gè)點(diǎn)。
1）級(jí)別
即當(dāng)前告警被觸發(fā)時(shí)，問(wèn)題的嚴(yán)重程度，一般來(lái)說(shuō)有幾個(gè)衡量點(diǎn)：
是否關(guān)聯(lián)GOC
是否產(chǎn)生嚴(yán)重業(yè)務(wù)影響
是否產(chǎn)生資損
2）閾值
即一項(xiàng)告警的觸發(fā)條件&時(shí)間，需根據(jù)具體場(chǎng)景合理制定。一般遵循以下原則：
不可過(guò)于遲鈍。一個(gè)合理的監(jiān)控體系中，任何異常發(fā)生后都應(yīng)觸發(fā)相關(guān)告警。
不可過(guò)于敏感。過(guò)于敏感的閾值會(huì)造成頻繁告警，從而導(dǎo)致響應(yīng)人員疲勞應(yīng)對(duì)，無(wú)法篩選真實(shí)異常。若一個(gè)告警頻繁出現(xiàn)，一般是兩個(gè)原因：系統(tǒng)設(shè)計(jì)不合理 or 閾值設(shè)置不合理。
若單一指標(biāo)無(wú)法反饋覆蓋整體業(yè)務(wù)場(chǎng)景，可結(jié)合多項(xiàng)指標(biāo)關(guān)聯(lián)構(gòu)建。
需符合業(yè)務(wù)波動(dòng)曲線，不同時(shí)段可設(shè)置不同條件&通知策略。
3）通知人&方式
若為業(yè)務(wù)指標(biāo)異常(Biz層告警)，通知人應(yīng)為問(wèn)題處理人員(開(kāi)發(fā)、運(yùn)維同學(xué))與業(yè)務(wù)關(guān)注人員(TL、業(yè)務(wù)同學(xué))的集合，通知方式較為實(shí)時(shí)，比如電話通知。
若為應(yīng)用 & 系統(tǒng)層告警，主要用于定位異常原因，通知人設(shè)置問(wèn)題排查處理人員即可，通知方式可考慮釘釘、短信等低干擾方式。
除了關(guān)聯(lián)層次，對(duì)于不同級(jí)別的告警，通知人范圍也可適當(dāng)擴(kuò)大，尤其是關(guān)聯(lián)GOC故障的告警指標(biāo)，應(yīng)適當(dāng)放寬范圍，通知方式也應(yīng)更為實(shí)時(shí)直接。
應(yīng)產(chǎn)出數(shù)據(jù)
完成該項(xiàng)梳理工作后，我們應(yīng)該產(chǎn)出以下數(shù)據(jù)：
系統(tǒng)監(jiān)控模型，格式同表1
Biz、Application、System 分別存在哪些待監(jiān)控點(diǎn)
監(jiān)控點(diǎn)是否已全部存在指標(biāo)，仍有哪些待補(bǔ)充
系統(tǒng)告警模型列表，需包含以下數(shù)據(jù)
關(guān)聯(lián)監(jiān)控指標(biāo)（鏈接）
告警關(guān)鍵級(jí)別
是否推送GOC
是否產(chǎn)生資損
是否關(guān)聯(lián)故障
是否關(guān)聯(lián)預(yù)案
業(yè)務(wù)指標(biāo)大盤，包含Biz層重點(diǎn)監(jiān)控指標(biāo)數(shù)據(jù)。
系統(tǒng)&應(yīng)用指標(biāo)大盤，包含核心系統(tǒng)關(guān)鍵系統(tǒng)指標(biāo)，可用于白盒監(jiān)控定位問(wèn)題。
4 Capacity Planning - 容量規(guī)劃
容量規(guī)劃的本質(zhì)是追求計(jì)算風(fēng)險(xiǎn)最小化和計(jì)算成本最小化之間的平衡，只追求任意其一都不是合理的。為了達(dá)到這兩者的最佳平衡點(diǎn)，需盡量精準(zhǔn)計(jì)算系統(tǒng)峰值負(fù)載流量，再將流量根據(jù)單點(diǎn)資源負(fù)載上限換算成相應(yīng)容量，得到最終容量規(guī)劃模型。
流量模型評(píng)估
1）入口流量
對(duì)于一次大促，系統(tǒng)峰值入口流量一般由常規(guī)業(yè)務(wù)流量與非常規(guī)增量（比如容災(zāi)預(yù)案&業(yè)務(wù)營(yíng)銷策略變化帶來(lái)的流量模型配比變化）疊加擬合而成。
（a）常規(guī)業(yè)務(wù)流量一般有兩類計(jì)算方式：
歷史流量算法：該類算法假設(shè)當(dāng)年大促增幅完全符合歷史流量模型，根據(jù)當(dāng)前&歷年日常流量，計(jì)算整體業(yè)務(wù)體量同比增量模型；然后根據(jù)歷年大促-日常對(duì)比，計(jì)算預(yù)估流量環(huán)比增量模型；最后二者擬合得到最終評(píng)估數(shù)據(jù)。
由于計(jì)算時(shí)無(wú)需依賴任何業(yè)務(wù)信息輸入，該類算法可用于保障工作初期業(yè)務(wù)尚未給出業(yè)務(wù)總量評(píng)估時(shí)使用，得到初估業(yè)務(wù)流量。
業(yè)務(wù)量-流量轉(zhuǎn)化算法(GMV\DAU\訂單量)：該類算法一般以業(yè)務(wù)預(yù)估總量（GMV\DAU\訂單量）為輸入，根據(jù)歷史大促&日常業(yè)務(wù)量-流量轉(zhuǎn)化模型（比如經(jīng)典漏洞模型）換算得到對(duì)應(yīng)子域業(yè)務(wù)體量評(píng)估。
該種方式強(qiáng)依賴業(yè)務(wù)總量預(yù)估，可在保障工作中后期使用，在初估業(yè)務(wù)流量基礎(chǔ)上納入業(yè)務(wù)評(píng)估因素考慮。
（b）非常規(guī)增量一般指前臺(tái)業(yè)務(wù)營(yíng)銷策略變更或系統(tǒng)應(yīng)急預(yù)案執(zhí)行后流量模型變化造成的增量流量。例如，NA61機(jī)房故障時(shí)，流量100%切換到NA62后，帶來(lái)的增量變化。
考慮到成本最小化，非常規(guī)增量P計(jì)算時(shí)一般無(wú)需與常規(guī)業(yè)務(wù)流量W一起，全量納入疊加入口流量K，一般會(huì)將非常規(guī)策略發(fā)生概率λ作為權(quán)重，即：
2）節(jié)點(diǎn)流量
節(jié)點(diǎn)流量由入口流量根據(jù)流量分支模型，按比例轉(zhuǎn)化而來(lái)。分支流量模型以系統(tǒng)鏈路為計(jì)算基礎(chǔ)，遵循以下原則：
同一入口，不同鏈路占比流量獨(dú)立計(jì)算。
針對(duì)同一鏈路上同一節(jié)點(diǎn)，若存在多次調(diào)用，需計(jì)算按倍數(shù)同比放大（比如DB\Tair等）。
DB寫流量重點(diǎn)關(guān)注，可能出現(xiàn)熱點(diǎn)造成DB HANG死。
容量轉(zhuǎn)化
1）Little Law衍生法則
不同類型資源節(jié)點(diǎn)(應(yīng)用容器、Tair、DB、HBASE等)流量-容量轉(zhuǎn)化比各不相同，但都服從Little Law衍生法則，即：
2）N + X 冗余原則
在滿足目標(biāo)流量所需要的最小容量基礎(chǔ)上，冗余保留X單位冗余能力
X與目標(biāo)成本與資源節(jié)點(diǎn)故障概率成正相關(guān)，不可用概率越高，X越高
對(duì)于一般應(yīng)用容器集群，可考慮X = 0.2N
上述法則只能用于容量初估(大促壓測(cè)前&新依賴)，最終精準(zhǔn)系統(tǒng)容量還是需要結(jié)合系統(tǒng)周期性壓力測(cè)試得出。
應(yīng)產(chǎn)出數(shù)據(jù)
基于模型評(píng)估的入口流量模型 & 集群自身容量轉(zhuǎn)化結(jié)果（若為非入口應(yīng)用，則為限流點(diǎn)梳理）。
基于鏈路梳理的分支流量模型 & 外部依賴容量轉(zhuǎn)化結(jié)果。
5 Incident Response - 緊急&前置預(yù)案梳理
要想在大促高并發(fā)流量場(chǎng)景下快速對(duì)線上緊急事故進(jìn)行響應(yīng)處理，僅僅依賴值班同學(xué)臨場(chǎng)發(fā)揮是遠(yuǎn)遠(yuǎn)不夠的。爭(zhēng)分奪秒的情況下，無(wú)法給處理人員留有充足的策略思考空間，而錯(cuò)誤的處理決策，往往會(huì)導(dǎo)致更為失控嚴(yán)重的業(yè)務(wù)&系統(tǒng)影響。因此，要想在大促現(xiàn)場(chǎng)快速而正確的響應(yīng)問(wèn)題，值班同學(xué)需要做的是選擇題(Which)，而不是陳述題(What)。而選項(xiàng)的構(gòu)成，便是我們的業(yè)務(wù)&系統(tǒng)預(yù)案。
從執(zhí)行時(shí)機(jī)與解決問(wèn)題屬性來(lái)劃分，預(yù)案可分為技術(shù)應(yīng)急預(yù)案、技術(shù)前置預(yù)案、業(yè)務(wù)應(yīng)急預(yù)案、業(yè)務(wù)前置預(yù)案等四大類。結(jié)合之前的鏈路梳理和業(yè)務(wù)評(píng)估結(jié)果，我們可以快速分析出鏈路中需要的預(yù)案，遵循以下原則：
技術(shù)應(yīng)急預(yù)案：該類預(yù)案用于處理系統(tǒng)鏈路中，某層次節(jié)點(diǎn)不可用的情況，例如技術(shù)/業(yè)務(wù)強(qiáng)依賴、弱穩(wěn)定性、高風(fēng)險(xiǎn)等節(jié)點(diǎn)不可用等異常場(chǎng)景。
技術(shù)前置預(yù)案：該類預(yù)案用于平衡整體系統(tǒng)風(fēng)險(xiǎn)與單節(jié)點(diǎn)服務(wù)可用性，通過(guò)熔斷等策略保障全局服務(wù)可靠。例如弱穩(wěn)定性&弱依賴服務(wù)提前降級(jí)、與峰值流量時(shí)間沖突的離線任務(wù)提前暫定等。
業(yè)務(wù)應(yīng)急預(yù)案：該類預(yù)案用于應(yīng)對(duì)業(yè)務(wù)變更等非系統(tǒng)性異常帶來(lái)的需應(yīng)急處理問(wèn)題，例如業(yè)務(wù)數(shù)據(jù)錯(cuò)誤（數(shù)據(jù)正確性敏感節(jié)點(diǎn)）、務(wù)策略調(diào)整（配合業(yè)務(wù)應(yīng)急策略）等
業(yè)務(wù)前置預(yù)案：該類預(yù)案用于配和業(yè)務(wù)全局策略進(jìn)行的前置服務(wù)調(diào)整（非系統(tǒng)性需求）
應(yīng)產(chǎn)出數(shù)據(jù)
完成該項(xiàng)梳理工作后，我們應(yīng)該產(chǎn)出以下數(shù)據(jù)：
執(zhí)行&關(guān)閉時(shí)間（前置預(yù)案）
觸發(fā)閾值（緊急預(yù)案，須關(guān)聯(lián)相關(guān)告警）
關(guān)聯(lián)影響（系統(tǒng)&業(yè)務(wù)）
決策&執(zhí)行&驗(yàn)證人員
開(kāi)啟驗(yàn)證方式
關(guān)閉閾值（緊急預(yù)案）
關(guān)閉驗(yàn)證方式
階段性產(chǎn)出-全鏈路作戰(zhàn)地圖
進(jìn)行完上述幾項(xiàng)保障工作，我們基本可得到全局鏈路作戰(zhàn)地圖，包含鏈路分支流量模型、強(qiáng)弱依賴節(jié)點(diǎn)、資損評(píng)估、對(duì)應(yīng)預(yù)案&處理策略等信息。大促期間可憑借該地圖快速?gòu)娜忠暯遣榭磻?yīng)急事件相關(guān)影響，同時(shí)也可根據(jù)地圖反向評(píng)估預(yù)案、容量等梳理是否完善合理。
6 Incident Response - 作戰(zhàn)手冊(cè)梳理
作戰(zhàn)手冊(cè)是整個(gè)大促保障的行動(dòng)依據(jù)，貫穿于整個(gè)大促生命周期，可從事前、事中、事后三個(gè)階段展開(kāi)考慮。
整體梳理應(yīng)本著精準(zhǔn)化、精細(xì)化的原則，理想狀態(tài)下，即便是對(duì)業(yè)務(wù)、系統(tǒng)不熟悉的輪班同學(xué)，憑借手冊(cè)也能快速響應(yīng)處理線上問(wèn)題。
事前
1）前置檢查事項(xiàng)清單
大促前必須執(zhí)行事項(xiàng)checklist,通常包含以下事項(xiàng)：
集群機(jī)器重啟 or 手動(dòng)FGC
影子表數(shù)據(jù)清理
檢查上下游機(jī)器權(quán)限
檢查限流值
檢查機(jī)器開(kāi)關(guān)一致性
檢查數(shù)據(jù)庫(kù)配置
檢查中間件容量、配置(DB\緩存\NoSQL等)
檢查監(jiān)控有效性（業(yè)務(wù)大盤、技術(shù)大盤、核心告警）
每個(gè)事項(xiàng)都需包含具體執(zhí)行人、檢查方案、檢查結(jié)果三列數(shù)據(jù)
2）前置預(yù)案
域內(nèi)所有業(yè)務(wù)&技術(shù)前置預(yù)案。
事中
1）緊急技術(shù)&業(yè)務(wù)預(yù)案
需要包含的內(nèi)容基本同前置預(yù)案，差異點(diǎn)如下：
執(zhí)行條件&恢復(fù)條件：具體觸發(fā)閾值，對(duì)應(yīng)監(jiān)控告警項(xiàng)。
通知決策人。
2）應(yīng)急工具&腳本
常見(jiàn)故障排查方式、核心告警止血方式(強(qiáng)弱依賴不可用等)，業(yè)務(wù)相關(guān)日志撈取腳本等。
3）告警&大盤
應(yīng)包含業(yè)務(wù)、系統(tǒng)集群及中間件告警監(jiān)控梳理結(jié)果，核心業(yè)務(wù)以及系統(tǒng)大盤，對(duì)應(yīng)日志數(shù)據(jù)源明細(xì)等數(shù)據(jù)：
日志數(shù)據(jù)源明細(xì)：數(shù)據(jù)源名稱、文件位置、樣例、切分格式。
業(yè)務(wù)、系統(tǒng)集群及中間件告警監(jiān)控梳理結(jié)果：關(guān)聯(lián)監(jiān)控指標(biāo)（鏈接）、告警關(guān)鍵級(jí)別、是否推送GOC、是否產(chǎn)生資損、是否關(guān)聯(lián)故障、是否關(guān)聯(lián)預(yù)案。
核心業(yè)務(wù)&系統(tǒng)大盤：大盤地址、包含指標(biāo)明細(xì)(含義、是否關(guān)聯(lián)告警、對(duì)應(yīng)日志)。
4）上下游機(jī)器分組
應(yīng)包含核心系統(tǒng)、上下游系統(tǒng)，在不同機(jī)房、單元集群分組、應(yīng)用名，可用于事前-機(jī)器權(quán)限檢查、事中-應(yīng)急問(wèn)題排查黑屏處理。
5）值班注意事項(xiàng)
包含每班輪班同學(xué)值班必做事項(xiàng)、應(yīng)急變更流程、核心大盤鏈接等。
6）核心播報(bào)指標(biāo)
包含核心系統(tǒng)&服務(wù)指標(biāo)(CPU\LOAD\RT)、業(yè)務(wù)關(guān)注指標(biāo)等，每項(xiàng)指標(biāo)應(yīng)明確具體監(jiān)控地址、采集方式。
7）域內(nèi)&關(guān)聯(lián)域人員通訊錄、值班
包含域內(nèi)技術(shù)、TL、業(yè)務(wù)方對(duì)應(yīng)排班情況、聯(lián)系方式(電話)，相關(guān)上下游、基礎(chǔ)組件(DB、中間件等)對(duì)應(yīng)值班情況。
8）值班問(wèn)題記錄
作戰(zhàn)記錄，記錄工單、業(yè)務(wù)問(wèn)題、預(yù)案(前置\緊急)（至少包含：時(shí)間、問(wèn)題描述（截圖）、影響分析、決策&解決過(guò)程等）。值班同學(xué)在值班結(jié)束前，進(jìn)行記錄。
事后
1）系統(tǒng)恢復(fù)設(shè)置事項(xiàng)清單(限流、縮容)
一般與事前檢查事項(xiàng)清單對(duì)應(yīng)，包含限流閾值調(diào)整、集群縮容等大促后恢復(fù)操作。
2）大促問(wèn)題復(fù)盤記錄
應(yīng)包含大促遇到的核心事件總結(jié)梳理。
7 Incident Response - 沙盤推演
實(shí)戰(zhàn)沙盤演練是應(yīng)急響應(yīng)方面的最后一項(xiàng)保障工作，以歷史真實(shí)故障CASE作為應(yīng)急場(chǎng)景輸入，模擬大促期間緊急狀況，旨在考驗(yàn)值班同學(xué)們對(duì)應(yīng)急問(wèn)題處理的響應(yīng)情況。
一般來(lái)說(shuō)，一個(gè)線上問(wèn)題從發(fā)現(xiàn)到解決，中間需要經(jīng)歷定位&排查&診斷&修復(fù)等過(guò)程，總體遵循以下幾點(diǎn)原則：
盡最大可能讓系統(tǒng)先恢復(fù)服務(wù)，同時(shí)為根源調(diào)查保護(hù)現(xiàn)場(chǎng)（機(jī)器、日志、水位記錄）。
避免盲目搜索，依據(jù)白盒監(jiān)控針對(duì)性診斷定位。
有序分工，各司其職，避免一窩蜂失控亂象。
依據(jù)現(xiàn)場(chǎng)情況實(shí)時(shí)評(píng)估影響范圍，實(shí)在無(wú)法通過(guò)技術(shù)手段挽救的情況(例如強(qiáng)依賴不可用)，轉(zhuǎn)化為業(yè)務(wù)問(wèn)題思考（影響范圍、程度、是否有資損、如何協(xié)同業(yè)務(wù)方）。
沙盤演練旨在檢驗(yàn)值班同學(xué)故障處理能力，著重關(guān)注止血策略、分工安排、問(wèn)題定位等三個(gè)方面：
根據(jù)故障類型，常見(jiàn)止血策略有以下解決思路：
入口限流：調(diào)低對(duì)應(yīng)Provider服務(wù)來(lái)源限流值
應(yīng)對(duì)突發(fā)流量過(guò)高導(dǎo)致自身系統(tǒng)、下游強(qiáng)依賴負(fù)載被打滿。
下游降級(jí)：降級(jí)對(duì)應(yīng)下游服務(wù)
下游弱依賴不可用。
下游業(yè)務(wù)強(qiáng)依賴經(jīng)業(yè)務(wù)同意后降級(jí)（業(yè)務(wù)部分有損）。
單點(diǎn)失敗移除：摘除不可用節(jié)點(diǎn)
單機(jī)水位飆高時(shí)，先下線不可用單機(jī)服務(wù)（無(wú)需下線機(jī)器，保留現(xiàn)場(chǎng)）。
應(yīng)對(duì)集群?jiǎn)吸c(diǎn)不可用、性能差。
切換：?jiǎn)卧辛骰蛘咔袚Q備份
應(yīng)對(duì)單庫(kù)或某單元依賴因?yàn)樽陨碓颍ㄋ拗鳈C(jī)或網(wǎng)絡(luò)），造成局部流量成功率下跌下跌。
Google SRE中，對(duì)于緊急事故管理有以下幾點(diǎn)要素：
嵌套式職責(zé)分離，即分確的職能分工安排
控制中心\作戰(zhàn)室
實(shí)時(shí)事故狀態(tài)文檔
明確公開(kāi)的職責(zé)交接
其中嵌套式職責(zé)分離，即分確的職能分工安排，達(dá)到各司其職，有序處理的效果，一般可分為下列幾個(gè)角色：
事故總控：負(fù)責(zé)協(xié)調(diào)分工以及未分配事務(wù)兜底工作，掌握全局概要信息，一般為PM/TL擔(dān)任。
事務(wù)處理團(tuán)隊(duì)：事故真正處理人員，可根據(jù)具體業(yè)務(wù)場(chǎng)景&系統(tǒng)特性分為多個(gè)小團(tuán)隊(duì)。團(tuán)隊(duì)內(nèi)部存在域內(nèi)負(fù)責(zé)人，與事故總控人員進(jìn)行溝通。
發(fā)言人：事故對(duì)外聯(lián)絡(luò)人員，負(fù)責(zé)對(duì)事故處理內(nèi)部成員以及外部關(guān)注人員信息做周期性信息同步，同時(shí)需要實(shí)時(shí)維護(hù)更新事故文檔。
規(guī)劃負(fù)責(zé)人：負(fù)責(zé)外部持續(xù)性支持工作，比如當(dāng)大型故障出現(xiàn)，多輪排班輪轉(zhuǎn)時(shí)，負(fù)責(zé)組織職責(zé)交接記錄。
穩(wěn)定
產(chǎn)品高可用性高并發(fā)貼心
項(xiàng)目群及時(shí)溝通專業(yè)
產(chǎn)品經(jīng)理1v1支持快速
MVP模式小步快跑承諾
我們選擇聲譽(yù)堅(jiān)持
10年專注高端品質(zhì)開(kāi)發(fā)