线上故障处理手册

摘要

通常处理线上问题的三板斧是重启-回滚-扩容,能够快速有效的解决问题,但是根据我多年的线上经验,这三个操作略微有些简单粗暴,解决问题的概率也非常随机,并不总是有效。这边总结下通常我处理应用中遇到的故障的解决方案。

原则

处理故障的时候必须遵循的一些原则

  • 提早发现问题,避免故障扩散
    故障的出现链路一般如下图所示
    在这里插入图片描述
    每一层都有可能出现问题,越底层出现问题,影响面越大。所以每一个层次都需要有相应的问题监控机制,这样越早发现问题,越能尽早解决故障,避免问题的扩散。比如服务依赖的一个数据库主库有问题了,如果等到用户报过来,这时候可能服务已经挂了几分钟了。再等你分析问题,解决问题,切换主备什么的,可能几分钟又过去了。影响访问比较大了。如果在数据库出问题时,就已经收到警报,迅速解决,可能没等用户报过来,问题解决了。

  • 迅速广播
    当收到一个P0警报,判断应用出现问题了,第一时间在组内广播。全部人员进入一级战斗状态,发现可能和其他依赖的服务/中间件/运维/云厂商有关,立即通知相关责任人,要求进入协同作战。

  • 快速恢复
    保留现场很重要,有助于发现root cause。但是发生故障了,必须要争分夺秒,不能为了保留现场浪费几分钟的时间去干什么dump内存,jstack线程状态的事。必须第一时间内先恢复服务,之后再根据当时监控数据,去找root cause

  • 持续观察
    为了解决问题,可能需要在线上进行了重启/回滚/mock/限流等操作,一定要查看是否达到了预期效果。
    需要持续观察一段时间,服务是否真的正常。 有时候可能只是短暂下去了,还会反扑。

处理手段

处理手段无非是重启、扩容、回滚、限流、降级、hotfix

以下是我一般处理线上问题的流程
在这里插入图片描述
主要分为四大块

step1: 是否有变化

和造成大部分车祸的原因是由于变化导致一样,线上故障通常也是由于变化导致的。外部的变化很难感知到,但是服务自身的变化很容易感知,当有服务发布、配置变更等变化时。那么首先判断是否可回滚,可回滚的立马回滚。

step2: 是否单机

现在一般是集群部署,服务高可用。如果只是一台机器有问题,在服务可摘除的情况下立即摘除。不可立即摘除的,先扩容再摘除。

step3: 是否集群

整个服务集群都出问题了,问题就相对比较复杂一些了,需要分为单个API与多个API错误。

  • 单个API错误
    是否对应用内其他API,模块、下游的存储有影响。有影响的话,可降级的及时降级。由于请求量增加引起的,限流。对其他模块无影响,再排查问题,hotfix。
  • 多个API错误
    这种通常是step4出错了,可以直接到step4查看。
    如果不是step4错误,如果流量超预期,限流扩容操作。如果不是,找代码问题,hotfix上线

step4: 依赖的服务/存储有问题

立即找到相关团队,一起看问题。如果是自身服务不正常的请求引起的,再做相应的fix。如果是正常操作引起的,那需要紧急扩容,升级配置。

如何预防

从上述操作可以看出,故障发生时需要做的判断还是很多的,如果经验不够丰富,处理不得当,很容易引发故障升级、资产损失。
所以需要提前预防。

了解你的服务

像哲学家剖析自己一样去了解你的服务。一般包含以下内容

绘制应用系统架构图

需要包含以下模块,

  • 服务给谁用
    出了问题应该通知到谁
  • 包含哪些模块
    应用了哪些功能模块。用户报问题过来的时候知道大体属于哪个服务出了问题
  • 系统流程
    模块间如何流转的
  • 依赖的中间件
    依赖了哪些中间件,对应负责人是谁
  • 依赖的存储、消息队列
    依赖了哪些存储,存储运维负责人是谁
  • 依赖的服务
    依赖了哪些服务,什么功能依赖了什么服务,出了问题,找谁。是否是弱依赖,可降级的。

绘制应用系统部署图

系统是如何部署的,部署在什么环境。如何登陆、扩容、升配。

梳理系统故障等级

哪些模块是核心的,哪些模块是没那么重要的,可以降级的。

压测演练

当前系统能够支持的单机QPS是多少,可能存在的性能瓶颈是什么,需要通过压测来得出来。

当前应用的API读写比是多少,对应到各个存储层面的比例是多少。当应用QPS上升,哪个依赖最先挂掉。redis/mysql 还是依赖的服务,还是应用本身。

定期盘点

无论是用户反馈故障,还是监控警报,基本都晚了,因为这时候已经累积了一定错误量的调用了。所以需要再抢先一步,定期盘点应用。衡量的指标一般围绕使用率、饱和度、吞吐量以及响应时间
盘点的内容包括所有的依赖。

  • 应用层面
    磁盘cpu,内存,load数,jvm gc情况

  • 系统层面
    qps

  • 依赖的存储
    磁盘,cpu, IOPS, qps。

  • 消息队列
    消费速度是否正常

另外系统日志是第一手的故障信息来源,应用owner需要定期对错误日志进行查询,能够有效的将潜在问题扼杀在摇篮里。

监控警报

监控警报有助于提早发现故障,所以确保监控项完备,警报能够有效报出来。
以下是常用的一些监控项

类型 监控项
主机状态 磁盘使用率>85
主机状态 5分钟load > 核数*1.5
主机状态 5分钟内存使用率 > 80
主机状态 5分钟CPU > 50
API 5分钟API错误率>0.1
SQL 慢查询 耗时>100ms
日志 1分钟错误数>10
日志 5分钟错误数>50
©️2020 CSDN 皮肤主题: Age of Ai 设计师: meimeiellie 返回首页
实付0元
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、C币套餐、付费专栏及课程。

余额充值