老司机亲授：请收下这份运维故障处理指南

399次阅读

共计 2702 个字符，预计需要花费 7 分钟才能阅读完成。

1. 故障处理原则

故障处理的原则只有两个：

恢复业务优先是指，不管在任何情况下，也不管任何级别的故障，都要先做到恢复业务，这个和故障定位不同，也有很多人会产生歧义，觉得如果不找到问题的根源，如何能恢复业务，下面我举一个例子说明二者的差别：

如果 A 应用调 B 应用时，调用失败，这时我们要怎么做？

方法一 ，排查问题，寻找 A 到 B 之间会经过哪些环节，找到其中的出问题的环节，比如 HA 连接异常，进行重启或者扩容恢复。

方法二 ，从 A 应用的服务器去 ping B 应用的网络，如果端口，网络联通，那么直接绑定 B 服务器的 hosts。

一般而言，第二种方法时间会短，如果 A 和 B 之间是跨机房访问，那么方法一排查时间会更长，虽然破坏了 A 到 B 之间的架构平衡，但是能马上见效，这就是我们所说的以恢复业务优先。

这个比较好理解，任何故障在发生时，对故障的影响任何人只能做一个简单的预测，所以要及时升级到你的领导那里，让他掌握第一手的信息，协调资源，如果有如下情况，那么必须马上上升：

注意：任何运维故障，运维的领导必须是第一个知道的人，如果他从别的人或者部门中知道这个故障，那么就很被动，而且是故障处理人失职表现。

故障处理一般会分为三个阶段， 故障前，故障中和故障后 ，故障前是指故障的定位分析，故障中是指故障处理过程，故障后是指故障总结，故障总结很重要，这个会单独放到一章，故障定位很杂，以后会单独去写，这里主要讲一下故障中的一些运维常用的方法。

如果从故障服务来看，运维恢复业务最重要的三个方法是： 重启，隔离和降级。

重启：重启包括服务重启和服务器重启（os 重启）两种，在发生故障中，任何中涉及到的环节，都可以重启来完成，重启的一般顺序是，故障对象 > 故障对象上游 > 故障对象下游，一般离故障对象越远，重启顺序越靠后。

以今天的 RabbitMQ 故障为例：当已经知道 RabbitMQ 发送消息失败的时候，那么就要对它进行重启，如果还没生效，那么则对他上游（消息生产者）进行重启，还不行就对下游，消息消费方进行重启。

这里需要注意的是，千万千万不要想着去定位，比如发现重启的对象指标都正常，则不进行重启，时刻谨记，是在恢复业务，不是在定位故障。

隔离：隔离是指对故障的对象从集群中抽离的过程，目的是让故障对象不在提供服务，隔离的方法包括以下两种，按照常用频率排序：

这里需要注意的是，防止雪崩效应。

降级：降级是指为了防止产生更大的故障所采取的一种预案，一般而言，降级一定不是当下生产的给用户的最优状态，即使没有技术影响，也会或多或少带来一些业务的影响，比如唯品花降级等，虽然用户可以通过其他渠道进行支付，但会带来不好的用户体验和一些用户影响。

降级不仅仅是运维的事情，要联合业务研发或者说推动业务研发一起去实施，孙子兵法有云：为将者，未虑胜，先虑败，因此做任何一个项目时，首要考虑的不是这个项目能取得多少业绩，而是要考虑的是，如果出现异常怎么办？

以 CDN 管理为例：

我们要求开发提供的预案有：

项目如此，核心应用和组件也要如此，作为应用负责人，必须要考虑的是，如果这个对象发生重大故障时，是否有预案可以使用，并且要把这些预案触发条件，执行人等都要明确下来。

上述操作方法，尤其是重启和隔离有一个重要的前提，那就是，对象必须是无状态的，如果需要开发重试，那么要求必须是幂等的。对象无状态除非是非常特殊的业务，可以临时存在外，其余是不可以的，所以生产上对象应该只有三种状态：

一个故障发生后，影响方会分为两类：外部用户和内部用户

外部用户的处理会比较麻烦，处理的思路是，如何把外部用户转变成内部用户，比如，一个供应商打不开公司的网站，这时要做的是有两个方面：

自己在本地模拟是否可以重现，如果可以重现，那么就不是用户到 IDC 之间公网问题，是内部系统问题，那么变成内部用户处理。
如果自己在本地模拟不能重现，那么多找几个内部用户模拟，防止自己环境问题，同时，让用户进行 hosts 绑定到其他入口，排除 DNS，一些外网链路问题，如果这时用户在绑定 hosts 后，访问正常，那么恢复业务，同时可以确认大概率是外部问题。

如果上述两个方面都不行，那么就比较麻烦了，这时要收集一些必要的外部用户信息才能进行处理，比如出口 IP，所用客户端版本等等，这里建议收集信息有个模版，一次性完成，因为外部用户处理时效往往会花在沟通成本上。