转自：http://www.cnblogs.com/tylercao/p/7788893.html
任何事情都没有表面看起来那么简单
所有事情的发展都会比你预计的时间长
会出错的事情总会出错
如果担心某个事情发生，那么它更有可能发生
墨菲定律暗示我们，如果担心某种情况会发生，那么它更有可能发生，久而久之就一定会发生。这警示我们，在互联网公司，对生成环境发生的任何怪异现象和问题都不要轻视，对其背后的原因一定要调查清楚。同样，海恩法则也强调任何严重的事故背后都是很多次小问题的积累，当到一定量级后会导致质变，严重的问题就会浮出水面。
那么，我们需要对线上服务产生任何现象，哪怕是小问题，都要刨根问底，对任何现象都要遵循下面问题
为什么会发生 ？
发生了该怎么应对 ？
怎么恢复 ？
怎么避免 ？
在生成环境发生故障时快速恢复服务，避免或减少故障带来的损失，避免或减少故障对客户的影响
应第一时间恢复系统，而不是彻底解决呢问题，快速止损
明显资金损失时，要第时间升级，快速止损
指标要围绕目标，快速启动应急过程与止损方案
当前负责人不能短时间内解决问题，则必须进行升级处理
处理过程在不影响用户体验的前提下，保留现场
线上应急一般分为 6 个阶段
发现问题
定位问题
解决问题
回顾问题
改进措施
过程中要记住，应急只有一个总体目标：尽快恢复，消除影响。不管处于哪个阶段，首先想到的必须是恢复问题，恢复问题不一定能定位问题，也不一定有完美的解决方案，可能通过经验或者开关等。但这可以达到快速恢复的目的，然后保留现场，以及定位问题，解决问题和复盘
通常我们通过系统层面、应用层面和中间件层面监控来发现问题
系统层面监控包括
系统的 CPU 使用率
Load average
Memory
I/O （网络与磁盘）
SWAP 使用情况
线程数
File Description 文件描述符等
应用层面监控包括
接口的响应时间
QPS
调用频次
接口成功率
接口波动率等
中间件层面监控包括数据库、缓存、消息队列。
对数据库的负载、慢查询、连接数等监控
对缓存的连接数、占用内存、吞吐量、响应时间等监控
消息队列的响应时间、吞吐量、负载、堆积情况等监控
分析定位过程中先考虑系统最近发生的变化，需要考虑如下几方面
故障系统最近是否上过线？
依赖的基础平台与资源是否升级过？
依赖的系统是否上过线？
运营是否在系统内做过运营变更？
网络是否有波动？
最近的业务量是否涨了？
运营方是否有促销活动？
解决问题要以定位问题为基础，必须清晰定位问题产生的根本原因，在提出解决问题的有效方案，没有明确原因之前，不用使用各种方法来尝试修复问题，可能还没有解决这个问题又引入了下个问题，想想刚刚提到的墨菲定律
解决问题后，需应急团队与相关方回顾事故产生的原因、应急过程的合理性、提出整改措施，主要聚焦在以下几个问题：
类似的问题还有哪些没有发生？
做了哪些事情，事故就不会再发生？
做了哪些事情，及时发生故障，也不会产生影响？
根据回顾问题提出的改进措施，以正式的项目管理方式进行统一管理，采用 SMART 原则来跟进
分布式服务架构原理、设计与实战
相关学习资料移步：
