# 一分钟精华速览 #
故障复盘指的是及时把过去发生的错误，最大程度转化为未来可以规避的办法，其核心是不断减少失败因子繁衍的温床，将它们牢牢地掌控在不至于引发危机的范围之中。
作为国民基础设施的哈啰出行，在保障超 5.3 亿注册用户体验和系统稳定性过程中，是如何通过系统的、有策略的总结复盘来避免故障重复发生的？
作者介绍
哈啰技术风险负责人——孟闯
十年互联网行业研发经验，2015 年加入哈啰出行，参与哈啰业务系统从 0 到 1 的建设，作为核心 owner 主导多个重点稳定性保障项目，在高可用架构、技术风险等领域有丰富经验。目前主要牵头哈啰稳定性保障体系化建设，通过人员组织建设、工具/平台建设、关键项目落地等措施保障哈啰所有业务稳定性。
温馨提醒：本文约 6000 字，预计花费 10 分钟阅读。
后台回复 “交流” 进入读者交流群；回复“复盘”或“模板”获取资料；
在文章开始之前，先给大家讲一个故事，多年之前我有过这样的一段复盘经历：
事情的起因大概是有人做了一个线上变更，后来接到客服反馈说用户投诉增加，研发赶紧分析原因，最后排查发现是有代码 bug 导致的，做了回滚操作后一段时间客户投诉慢慢消失了。后来复盘的时候，大家全程围绕代码 bug 本身如何规避做讨论，并没有深入讨论此次故障带来的其他隐患，比如，如何提升故障发现时效。而此次由于复盘不深入导致的隐患，果然在不久后带来了新的风险——过段时间又出现了一个其他原因导致的故障，这次仍然是由外部先发现的，到研发接到报障开始处理的时候，已经过去了很长时间。
在我的十年职业生涯中，经历过很多次故障复盘，也见识过很多人对待故障的不同态度，唯一能让大家达成共识的是，故障的发生是不完全能被控制的。而我们能做的是尽可能有策略的、系统性地去组织复盘踩过的坑，还原事实，找到薄弱点加以改进。
一、故障和复盘真的都是坏事吗？
提到复盘，大多数人第一时间想到的是线上出了故障，这下又要有人背锅了；或者是为那个可怜的兄弟暗暗担心；也或者是因为跟自己无关，所以松了一口气。那么故障和复盘真的都是坏事吗？我们该如何理解它呢？我从以下三点讲一下我对故障和复盘的理解。
1.1 正视故障发生的必然性 - 有好也有坏
在聊复盘之前，先聊下我对线上故障的看法，首先，在复杂系统中出现故障是必然的，没有任何系统能保证永远不出现故障，重要的是不能出现重复故障，因此，我们要接受故障可能发生的合理性。接着从定性的角度来看，并非所有的故障都是坏事，有些故障是有正面意义的，比如说通过一个小故障发现了一个大隐患，或者是某次故障中相关人员的意识和应急预案都很到位，但是由于故障的原因非常特殊最后仍然造成了较大的影响等等，类似这样的故障都要找出其中的亮点。
所以，我们要用辩证的眼光去看待故障，避免大家“闻故障色变”。想做好这一点，在公司内部的管理制度上要做一些适当倾斜和引导，比如，鼓励快速恢复(对于快速恢复的故障定级比较低)、鼓励通过演练发现更多的线上问题(对于由于演练导致的故障有一定的豁免权)等等。
有奖也有惩，相比那些鼓励的行为，哪些行为是必须要严肃对待的呢？就是人为导致的犯错。大家应该充分意识到我们对故障的理念：偶尔的系统失效是可以容忍的，人为的犯错是要严肃对待的。比如不符合高可用规范的系统设计模式、强弱依赖设计不合理、由于人员意识不到位带来的故障处理时间较长、值班人员未及时接通 oncall、由于对线上系统不够重视带来的变更隐患、不遵守变更三板斧规范等等。
1.2 重在改进 - 关于复盘的 3 个目的
总之，复盘的目的是为了总结和改进，要充分利用好每一次故障的机会，从中汲取教训进行学习，提升我们的经验，完善系统的设计，强化人员意识等等。从整体稳定性建设的角度来看，希望达到 3 个目的:
1.3 不要只优化技术 - 组织和制度也要改进
每次出现故障之后，都能深挖出很多东西，有些看起来是技术问题，但是继续深挖下去，可能会变成管理问题。比如人员应急不到位，为什么 Oncall 值班制度没有落实到位，关键岗位是否缺少 backup 机制等等。
我们经常说好的系统架构是具有韧性的，那么好的团队组织也应该是反脆弱的。所以复盘的过程中，除了找系统本身的问题，还要找工具的问题、流程机制的问题、管理的问题等等。这样我们才能由点及面的全面解决问题，既治标又治本。
二、故障复盘按照什么流程进行？
线上出现故障之后，优先解决问题。待故障初步恢复之后，先看一下其他有没有待处理的已知隐患事项，确保隐患消除了再进行复盘。或者至少在复盘的时候，有其他人员在跟进隐患的治理进展。不要出现这边在复盘中，那边又出现了同样故障的情况。
三、开始复盘前需要做哪些准备？
3.1 干系人必须到位
直接原因方、关联(受影响)方等与故障有关的干系人必须全部到场，在复盘文档中记录参会人员名单。同时，视故障的危害程度来确定是否需要更高层级的管理人员到场，比如影响范围超过某种程度的故障必须由 TL 到场，以此来确保相关定级定责、改进事项落地的有效性和执行力。
3.2 明确复盘 owner
每个复盘会议，都必须有唯一的复盘 owner，在复盘开始前，由复盘 owner 来推动各方完成时间线的梳理，搜集故障的影响范围，与各个关联方核实影响的数据，包括业务指标、系统指标、其他指标(客诉、舆情影响等)。同时在会议中，故障的复盘 owner 要主动引导大家，推动复盘进度，避免出现一些无意义的指责、与故障无关的发散讨论等等。
3.3 理念宣导
复盘的目的是为了总结和改进，但是出了线上故障之后，大家压力都很大，在复盘会议中往往会带着防御的心态来沟通，甚至有时候出现一些互相指责等等。因此，复盘的理念需要提前宣导。
四、复盘的关键流程如何落地？
4.1 故障背景概述
故障的背景要解释清楚本次故障复盘的背景，即发生了什么故障，影响了什么业务(产品)等故障的基本情况。在复盘文档中，可以通过结构化的语言进行表达。例如：“x 月 x 日 xx 时，xxx 系统出现异常，导致了 xxx，影响了 xxx 业务，表象为用户无法正常下单，点击下单按钮出现网络开小差，出现了大量客诉等等”。
故障背景的意义在于让别人第一眼了解清楚这个复盘的来龙去脉，根因可以不用写太多，下面会有根因环节。
4.2 对齐故障影响范围
讲清楚本次故障的影响范围，包括影响时间段、影响的业务(产品)线、影响的系统(服务)、订单量、用户量、客诉量，以及有无产生资损等等。从监控的角度看，哪些指标产生了波动，从业务的实际数据看，哪些业务受到了影响。
4.3 故障时间线回放
这个是复盘的重点，很多时候评价复盘的好与坏，就看这个环节能挖出来多少问题。
故障时间线回放，就是指从故障的最源头开始，重新梳理一遍故障的详细过程，包括人员操作、指标变化、监控告警、系统异常、业务实际情况等等。事无巨细，理得越细越好。
因为我们上面提到过，稳定性建设的两个关键要点: 增加 MTBF，缩小 MTTR。MTTR(故障平均恢复时间)就是指从故障发生开始，到业务恢复的这段时间，我们对 MTTR 其进行拆解，得到如下几个时间段:MTTR = MTTI + MTTK + MTTF + MTTV。
1）Mean Time To Identify (MTTI): 从故障开始到应急响应介入的时间，一般是考察监控告警、人员值班 oncall 的合理性。
2）Mean Time To Know (MTTK):从应急响应介入到故障定位的时间，主要考察根因分析、可观测性等工具的能力。
3）Mean Time To Fix (MTTF): 从故障定位到故障恢复的时间，主要考察应急预案、快恢体系的能力。
4）Mean Time To Verify (MTTV):从故障恢复之后到确认故障已经解决的时间，一般通过用户反馈、自动化测试等确认恢复。
因此，在回放时间线的时候，也要识别出以下几个关键的时间点，然后逐个沟通讨论，如何缩短其中每个环节的耗时。
需要注意提前识别出来的关键事项和时间点:
故障引入时间点：即这个故障实际上是从什么时候开始的，可能是某次变更发布/线上操作/其他等。
业务指标变化时间点：业务指标何时开始下跌、何时开始恢复等。
监控告警发出时间点：即监控是从什么时候发现异常的，告警什么时候发出的。
人员介入响应时间点：故障相关的系统值班 owner 是从什么时候开始响应的。
异常定位时间点：即定位到故障的异常点，注意:故障处理过程中的定位是指初因定位，意思是大致定位到了故障点，可以进行下一步的应急止血动作。不是指根因定位，因为有时候找到根因是一件非常难、非常耗时的事情。
关键操作时间点：是否做了一些应急预案，包括重启、恢复、止血、高可用配置等。还需要写清楚每个操作的结果，即每个操作之后，报错面有无缩小、系统资源水位有无变化等。
确认故障恢复时间点：通过测试验证或者观测业务指标、系统日志等确认系统已经恢复。
重点是对里面的每一步都聊透彻，搞清楚怎么样提升效率、缩短时间。“时间就是金钱”，真正处理过线上故障的同学应该能深刻体会到这句话的分量。故障处理得快 1 分钟，可能业务上就能少损失很多。
4.4 深挖根因
一般情况下，故障是有两类原因引起的，包括直接(诱发)原因和根本原因，也就是所谓的诱因和根因。
因此在复盘过程中，既要明确诱因，更要深挖根因。比如说，某个业务系统由 A/B/C 3 个服务组成，依赖关系依次是 A 依赖 B、B 依赖 C，某次开发同学修改了线上 C 服务的一个配置，使用了错误的格式，导致了整个业务系统不可用。那么在原因分析过程中，把配置文件修改为错误的格式这个动作肯定是直接原因，但是也要注意，B 服务对 C 服务的依赖关系是强依赖么？如果 C 服务出现异常的情况下，B 服务是否要进行兜底？这里的依赖关系不合理可能就是根因，要分析清楚。
可以基于 5why 分析法深挖根因，多问几个为什么，层层递进，比如说这样的一个场景: 线上系统运行过程中，某个 ES 节点突然抖动，RT 时间明显变长，95 线由 200ms 升至 800ms，然后引发了上游业务异常。那么在分析原因的时候，要问以下几个问题:
1）为什么 ES 会抖动？
2）ES 的可用性标准是什么？
3）ES 抖动之后，有出现告警吗？相关人员有第一时间介入处理吗？
4）ES 抖动之后，上游直接使用它的服务有兜底措施吗？是否为强依赖？
5）对于这个业务场景来说，ES 的直接上游系统是这条链路的核心依赖吗，从整个链路上有无兜底机制？
要层层递进深挖根因，千万不要浅尝辄止，那样可能会错过真正的改进事项。从以往的故障来看，很多问题背后都是系统设计的问题，这样的问题挖得越深，我们的系统可用性才会越强，才能慢慢朝我们理想中的高可用架构前进。
4.5 改进项汇总
把时间线和根因分别确认清楚之后，就能推导出我们对于本次故障复盘的改进事项了。在梳理改进事项的时候，除了与故障相关系统的改进项之外，还需要从整个故障处理过程来看，在故障的各个环节中有无需要优化改进的地方。从 流程制度、团队组织、系统设计、底层工具平台都要综合考虑。
比如某个故障是靠人工(用户投诉)发现的，那么要考虑下这个业务的监控告警是否完善，怎么样能够降低故障触达时间；比如某个故障的告警发出之后，迟迟没有人响应，那么要从管理制度来看，对于应急值班政策的执行是否到位；比如某个故障的排查过程中，定位比较困难，很多地方要靠人工去梳理很多信息，那么要考虑相应的排障工具是否好用；比如定位到问题之后，临时讨论解决方案，那么就要评估相应地应急预案机制是否完善等等。
还有很多其他的问题，大家可以参考上面的 MTTR 分解环节和故障根因分解环节，自己展开思考下。
在记录改进项的时候，可以考虑结合 SMART 原则来设计改进项:
1）S - 必须是具体的（Specific），改进项必须是可以落地的，不要泛泛而谈，例如“优化系统设计”这类就属于反例。重新设计 A 系统对 B 系统的依赖关系，使其能够对异常进行兜底，这种就属于具体的。
2）M - 必须是可以衡量的（Measurable），即改进项是可以评估的，比如通过故障演练来检验依赖关系的有效性。
3）A - 必须是可以达到的（Attainable）,在当前的技术环境下，这个改进项是可行的，不要写未来太远的无法达到的事情。
4）R - 与其他目标具有一定的相关性(Relevant)，可以理解与本次故障中其他改进项有关联性。
5）T - 必须具有明确的截止期限（Time-bound），要写清楚改进项的截止时间，在到期之后进行验收。
最后，改进事项重在闭环，即所谓的 PDCA 循环，Plan（计划）-> Do（执行）-> Check（检查）-> Act（处理），对于我们的故障复盘来说，最后的改进项都要有验证环节，验证通过之后，故障复盘才算是彻底完成。
五、复盘中需要回答哪几个关键问题？
设置问题的目的是引导，通过问题来启发大家思考，并且引导大家往正确的方向去讨论。在复盘过程中，很多参与的同学由于经验或者背景不一样，大家对故障的理解不一定一致，那么复盘的 owner 要多问一些问题，来引发大家的讨论和思考，从以往的经验中，我们总结了几类问题，大家可以把这个作为讨论的框架:
1、故障的根因是什么，它是如何影响到业务可用性的？
当前我们在聊的这个是根因吗？从业务场景对应的链路上看，这个系统(组件)是强依赖吗？依赖是否合理、有无兜底机制。这次的变更流程是否完善、变更三板斧落实的是否到位。对应的观测指标是否能反映系统的真实状态，应急策略是否有效等等。
2、故障为什么会发生，可以避免或者降低发生概率吗？
也就是所谓的提升 MTBF，尽可能不出故障，能做到这个自然是最好的结果。
如果是变更引起的，那么要考虑变更流程是否完善，是否按照流程规范操作，有无对应的防御机制。比如变更是否严格按照测试环境、预发环境、生产环境流程执行的，为什么没能在前面发现问题，是否可以在灰度环节发现问题。
如果是某个系统组件失效导致的，那么要评估该组件的可用性是多少，与它所在的链路是否匹配，这条链路是否要设计兜底方案等。比如某个低 SLA 的系统组件是否在核心链路中。
如果是外部原因引起的，那么就需要认真评估外部依赖的稳定性情况，对方的可用性能够满足我们的诉求。是否把可用性写入到合作条款中，不满足 SLA 之后是否有相应的补偿或者惩罚等。
3、我们应该做什么，才能更快的恢复业务？
1）监控告警 - 这个故障是如何被发现的，监控告警是否足够完善，我们能否更快一点去发现这个问题。（扩展阅读：故障复盘后的告警如何加出效果？）
2）管理制度 - 人员值班响应 oncall 是否及时,关键人员是否就位，关键岗位有无 backup 机制，系统 owner 对负责的组件是否足够熟悉。
3）定位效率 - 现有的排查工具是否好用，有无需要优化的地方，故障定位的时间能否再缩短一点，故障的处理原则是以止血恢复优先，当时的故障处理过程中，有无跑偏方向。
4）应急预案 - 故障处理过程中，是否有应急预案，应急预案是否奏效？日常是否通过故障演练来验证应急预案的有效性。
5）架构设计 - 架构本身的高可用是否完善，是否具有容灾能力。
6）流程规范 - 现有的制度规范是否完善，有无需要优化的。
扩展阅读：
故障复盘究竟怎么做？美图SRE结合10年经验做了三大总结（附模板）
10年稳定性保障经验总结，故障复盘要回答哪三大关键问题？
六、故障定级与定责
由于每家公司都有自己的定级与定责制度，这里不做赘述，只说几个关键点。
6.1 故障定级
一般按用户体验、GMV、客诉率等指标来综合计算，每家公司有自己的计算方式。这里不赘述，大家结合实际情况来制定就行。定级的原则可以与业务方一起沟通，一般找几个关键的指标作为参考维度，然后按不同的体量设置不同的级别。
6.2 故障定责
定责首先对应的是团队，然后是个人：很多故障只是表象，大部分根因深挖下去，都会有技术管理的因素，虽然引发故障的操作可能是个人，但是更应该从团队的视角去看问题，避免把根因只归结到某个人身上，越是高级别的故障，越要避免简单归因。这里举一个例子:某个新入职的同学，因为操作不得当引发了一个线上问题。这里就要注意，为什么新人可以直接操作线上环境，入职之后是否有相应的培训或者文档让他学习，告诉他如何避免高危操作。（扩展阅读：故障定责定的到底是什么责？）
鼓励快速止血和积极参与：对于故障处理过程中，积极参与定位、止血等操作的，给与正面的肯定。对于那些积极主动参与线上救火的同学，用制度为他们兜底。
第三方默认无责：如果因为第三方合作方或者服务商出了线上故障，那么在做内部复盘的时候，需要让内部的对应团队来担责，避免把责任归给第三方。即谁引入了第三方的技术组件，谁就要对其可用性负责。这就可以反过来要求我们在使用外部技术组件的时候，要仔细评估对方的可用性情况，以及我们的兜底方案等等。
红线和军规：研发规范中，要设定好红线和军规，比如说高峰期严禁变更、变更流程必须符合三板斧(可灰度、可观测、可应急)原则等等。红线和军规是稳定性的底线，坚决不能违反。很多军规都是以往的各个故障血泪史中沉淀出来的，必须遵守且尊重这些红线军规，把它当做铁律。
重复犯错必须严肃对待：未知的故障不可怕，可以用来丰富我们的稳定性建设经验，但是重复的踩坑就需要认真对待了，要思考为什么以往的改进事项没有落实到位等等。
写在最后
回过头来再看我们最开始讲的那个故事，如果你是复盘 owner，你会怎么做呢，能不能问出以下几个问题？
BUG 为什么会被带到线上环境，线下环境为什么没发现呢，是 case 覆盖度不够还是其他原因？
变更的流程足够规范么，有无进行灰度，在灰度阶段能发现吗？
为什么故障先由外部发现，我们自己如何尽早发现故障，监控告警的覆盖度够么，粒度足够细么？
上面说到，复盘不是故障的结束，改进事项经过验收才算彻底结束，因此每一个改进事项的相关方，都应积极主动地 push 完成。同时，为了最大化的利用好复盘文档的价值，我们未来也考虑通过以下几点来充分利用复盘价值：
1）团队的新人入职后，先组织学习以往的复盘文档，吸收前人经验，避免重复踩坑。
2）把以往故障作为素材，放入到团队日常的稳定性文化建设中，比如通过考试等形式加深大家对故障的理解和记忆。
最后再重复一句：故障不可怕，重复的故障才可怕。
了解更多故障复盘细节，欢迎扫码进入「读者交流群」，和老师实时互动。
公众号后台回复【复盘模版】获取资料
更多内容欢迎点击“阅读原文”，进入「TakinTalks 稳定性社区」，获取更多稳定性相关资料和知识。
