知方号

知方号

故障定级标准<硬件软件定义及分类>

故障定级标准

1. 目的

前端基础是所有前端业务的基石,并保障着前端业务的稳定性和可靠性,前端基础稳定,才能保证前端业务稳定,一旦出现问题,影响范围大,所以保障前端基础的稳定性和可靠性是重中之重,但是随着前端业务量的井喷,以及基础设施的复杂性,问题的多样性,对故障处理过程的规范性、专业度要求越来越高。

因此,为了加强基础技术团队的质量意识,责任意识,提高基础团队的故障处理和协作能力,特制订本制度,规范团队的故障管理,并实现标准化、流程化。

2. 适用范围

前端基础技术团队

3. 定义解释

3.1 职责定义

序号

角色

故障责任定义

1

开发

因技术方案设计问题、代码实现bug、代码逻辑等问题导致的故障

2

运维

因基础设施变更,不稳定,异常无法提供服务等问题导致的故障

4. 故障标准

4.1 故障定义

1.发生的、影响业务正常运作的问题或事故,认定为“故障”

2.同一类问题发生频次超过某个数量,也可认定为故障。

4.2 故障分类

序号

类别

定义

举例

1

流程执行类

主要指因未遵照公司或部门既有规范、流程执行而导致的故障,或故障发生后未按照本制度要求处理等情况。

如发布至线上前未进行过测试;发布后未充分进行线上回归验证、未充分观察日志/监控等产生的故障;未及时发布故障通告、或其他“瞒报”、“漏报”等情况;故障响应不及时等

2

人员意识类

主要指因人为主观意识不到位、故意或抱侥幸心理未严格谨慎操作而导致的故障。

如责任意识不强、线上严谨意识不足、安全意识不足等。注:若因人员意识不到位而违反现有流程规范的故障,则直接定义为“流程执行类”故障。

3

能力经验类

主要指个人能力、经验不足,或部门相关业务或技术积累不够导致的故障。

如新业务、新技术或历史技术架构设计等遗留问题

4

监控报警类

主要指未设置监控报警、或监控报警出现问题而引发的故障。

如因告警阈值设置不合理,未及时收到告警进行处理,最终导致发生线上故障。注:未及时响应监控报警,属于流程执行类故障。

5

不可抗力类

主要指因外部不可抗力引发的故障。

如供应商故障(包括不限于机器、网络等故障)、外在环境原因(如施工挖断线路、国家封网)导致的故障等。

4.3 故障等级

4.3.1 故障定级原则

1.故障关键因素时长和影响面

2.影响面和故障时常同时满足,直接定级

3.影响面和故障时长不匹配时,取级别低的故障定级升一级作为最终故障定级1.比如影响时长5-10min,影响60%流量,按时长定级为p4,影响面定级为p1, p4和p1取较小值为p4, p4升一级,作为p3定级2.对外系统最高定级p1, 对内系统最高p2

4.流程故障遵循公司统一原则

4.3.2 通用故障等级定义

故障等级标识

故障等级名词

故障等级定义

影响面

故障时长

故障举例

备注

P1

重大故障

前端业务大部分不可访问,流量受损>=30%,并且持续时间>=60分钟

前端项目不可访问或者访问异常>=30%

>=60分钟

腾讯云slb故障导致前端页面全部无法访问

P2

严重故障

前端业务部分不可访问,流量受损10%~30%,并且持续时间>=30分钟

前端项目不可访问或者访问异常10%~30%

>=30分钟

P3

一般故障

前端业务小部分不可访问,流量受损1%~10%,并且持续时间>=10分钟

前端项目不可访问或者访问异常1%~10%

>=10分钟

istio管理面故障导致ingress无法访问到更新后的服务

P4

轻微故障

前端业务小部分流量访问异常,流量受损1%,持续时间>=5分钟

前端小部分流量访问异常

>=5分钟

基础设施故障定义不涉及由通用故障等级定义兜底。

4.3.3 基础设施故障等级划分定义

序号

基础设施

故障等级

故障时长

影响面

故障举例

1

Istio

P1

>=60分钟

istio管理面异常或者不可用

p2

>=30分钟

istio管理面异常或者不可用

P3

>=15分钟

部分流量转发异常

P4

>=5分钟

部分流量转发异常

2

k8s

p1

>=60分钟

Kubernetes master异常或者不可用

P2

>=30分钟

Kubernetes master异常或者不可用

P3

>=15分钟

部分功能异常

P4

>=5分钟

部分功能异常

3

Coredns

P1

>=15分钟

coredns不可用

P2

>=10分钟

coredns不可用

p3

>=30分钟

coredns部分功能异常如处理缓慢

4

容器网络

p1

>=15分钟

集群容器网络全部异常

P2

>=10分钟

集群容器网络全部异常

P3

>=30分钟

单点或者多点容器网络异常

4

Ingress

p1

>=60分钟

Ingress异常或者不可用

P2

>=30分钟

Ingress异常或者不可用

P3

>=60分钟

部分流量转发异常

P4

>=30分钟

部分流量转发异常

5

告警平台

P1

P2

P3

P4

6

网关

P1

P2

P3

P4

7

发布平台

P1

P2

P3

P4

8

任务平台

P1

P2

P3

P4

4.4 故障升级

故障等级

故障升级

p1

----

P2

>=60分钟未解决或者未处理

p3

>=180分钟未解决或者未处理

P4

>=300分钟未解决或者未处理

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至lizi9903@foxmail.com举报,一经查实,本站将立刻删除。