故障响应指挥官

# 故障严重等级框架

| 等级 | 名称 | 标准 | 响应时间 | 更新频率 | 升级路径 |
|------|------|------|---------|---------|---------|
| SEV1 | 严重 | 全面服务中断、数据丢失风险、安全事件 | < 5 分钟 | 每 15 分钟 | 立即通知 VP Eng + CTO |
| SEV2 | 重大 | >25% 用户服务降级、核心功能不可用 | < 15 分钟 | 每 30 分钟 | 15 分钟内通知工程经理 |
| SEV3 | 中等 | 次要功能异常、有临时解决方案 | < 1 小时 | 每 2 小时 | 下次站会通知 Team Lead |
| SEV4 | 低 | 外观问题、无用户影响、技术债触发 | 下个工作日 | 每天 | Backlog 分类 |

## 升级触发条件（自动升级严重等级）
- 影响范围翻倍 → 升一级
- SEV1 30 分钟 / SEV2 2 小时内未找到根因 → 升级到下一层
- 客户报告的付费账户故障 → 最低 SEV2
- 任何数据完整性问题 → 立即升为 SEV1

# Runbook: [服务/故障场景名称]

## 快速参考
- **服务**：[服务名称和代码仓库链接]
- **归属团队**：[团队名称、Slack 频道]
- **On-Call**：[PagerDuty 排班链接]
- **监控面板**：[Grafana/Datadog 链接]
- **上次测试时间**：[上次 Game Day 或演练的日期]

## 检测
- **告警**：[告警名称和监控工具]
- **症状**：[故障期间用户/指标的表现]
- **误报排除**：[如何确认是真实故障]

## 诊断
1. 检查服务健康状态：`kubectl get pods -n <namespace> | grep <service>`
2. 查看错误率：[错误率飙升的监控面板链接]
3. 检查近期部署：`kubectl rollout history deployment/<service>`
4. 检查依赖方健康状态：[依赖方状态页链接]

## 修复

### 方案 A：回滚（部署相关问题优先使用）

### 方案 B：重启（疑似状态异常）

### 方案 C：扩容（容量相关问题）

## 验证
- [ ] 错误率恢复到基线：[监控面板链接]
- [ ] P99 延迟在 SLO 范围内：[监控面板链接]
- [ ] 10 分钟内无新告警触发
- [ ] 手动验证用户侧功能正常

## 沟通
- 内部：在 #incidents Slack 频道发布更新
- 外部：如涉及客户则更新[状态页链接]
- 后续：24 小时内创建事后复盘文档

# 事后复盘：[故障标题]

**日期**：YYYY-MM-DD
**严重等级**：SEV[1-4]
**持续时间**：[开始时间] – [结束时间]（[总时长]）
**作者**：[姓名]
**状态**：[草稿 / 评审中 / 定稿]

## 摘要
[2-3 句话：发生了什么、影响了谁、如何解决的]

## 影响
- **受影响用户**：[数量或百分比]
- **收入影响**：[预估金额或不适用]
- **SLO 预算消耗**：[月度错误预算的 X%]
- **工单数量**：[数量]

## 时间线（UTC）
| 时间 | 事件 |
|------|------|
| 14:02 | 监控告警触发：API 错误率 > 5% |
| 14:05 | On-call 工程师响应 page |
| 14:08 | 宣布 SEV2 故障，指定 IC |
| 14:12 | 根因假设：13:55 的配置部署有问题 |
| 14:18 | 发起配置回滚 |
| 14:23 | 错误率开始恢复到基线 |
| 14:30 | 故障解决，监控确认恢复 |
| 14:45 | 向干系人发出全面恢复通知 |

## 根因分析
### 发生了什么
[故障链的详细技术说明]

### 贡献因素
1. **直接原因**：[直接触发因素]
2. **潜在原因**：[为什么触发成为可能]
3. **系统性原因**：[哪些组织/流程缺陷允许了这种情况]

### 5 个为什么
1. 服务为什么挂了？→ [回答]
2. 为什么[回答 1]会发生？→ [回答]
3. 为什么[回答 2]会发生？→ [回答]
4. 为什么[回答 3]会发生？→ [回答]
5. 为什么[回答 4]会发生？→ [根本系统性问题]

## 做得好的地方
- [响应过程中有效的举措]
- [起到帮助作用的流程或工具]

## 做得不好的地方
- [拖慢发现或解决速度的因素]
- [暴露出的缺陷]

## 行动项
| 编号 | 行动 | 负责人 | 优先级 | 截止日期 | 状态 |
|------|------|-------|--------|---------|------|
| 1 | 为配置校验添加集成测试 | @eng-team | P1 | YYYY-MM-DD | 未开始 |
| 2 | 为配置变更设置金丝雀发布 | @platform | P1 | YYYY-MM-DD | 未开始 |
| 3 | 更新 runbook 添加新的诊断步骤 | @on-call | P2 | YYYY-MM-DD | 未开始 |
| 4 | 添加配置自动回滚能力 | @platform | P2 | YYYY-MM-DD | 未开始 |

## 经验教训
[应指导未来架构和流程决策的关键收获]

# SLO 定义：面向用户的 API
service: checkout-api
owner: payments-team
review_cadence: monthly

slis:
  availability:
    description: "成功 HTTP 请求的比例"
    metric: |
      sum(rate(http_requests_total{service="checkout-api", status!~"5.."}[5m]))
      /
      sum(rate(http_requests_total{service="checkout-api"}[5m]))
    good_event: "HTTP 状态码 < 500"
    valid_event: "所有 HTTP 请求（排除健康检查）"

  latency:
    description: "在阈值内完成的请求比例"
    metric: |
      histogram_quantile(0.99,
        sum(rate(http_request_duration_seconds_bucket{service="checkout-api"}[5m]))
        by (le)
      )
    threshold: "P99 < 400ms"

  correctness:
    description: "返回正确结果的请求比例"
    metric: "business_logic_errors_total / requests_total"
    good_event: "无业务逻辑错误"

slos:
  - sli: availability
    target: 99.95%
    window: 30d
    error_budget: "21.6 分钟/月"
    burn_rate_alerts:
      - severity: page
        short_window: 5m
        long_window: 1h
        burn_rate: 14.4x  # 预算将在 2 小时内耗尽
      - severity: ticket
        short_window: 30m
        long_window: 6h
        burn_rate: 6x     # 预算将在 5 天内耗尽

  - sli: latency
    target: 99.0%
    window: 30d
    error_budget: "7.2 小时/月"

  - sli: correctness
    target: 99.99%
    window: 30d

error_budget_policy:
  budget_remaining_above_50pct: "正常功能开发"
  budget_remaining_25_to_50pct: "与工程经理评审是否暂停功能开发"
  budget_remaining_below_25pct: "全员投入可靠性工作直到预算恢复"
  budget_exhausted: "冻结所有非关键部署，与 VP Eng 进行评审"

# SEV1 — 初始通知（10 分钟内）
**主题**：[SEV1] [服务名称] — [简要影响描述]

**当前状态**：我们正在排查影响 [服务/功能] 的问题。
**影响**：[X]% 的用户正在遇到 [症状：错误/变慢/无法访问]。
**下次更新**：15 分钟后或有更多信息时。

---

# SEV1 — 状态更新（每 15 分钟）
**主题**：[SEV1 更新] [服务名称] — [当前状态]

**状态**：[排查中 / 已定位 / 修复中 / 已解决]
**当前认知**：[对原因的了解]
**已采取行动**：[目前已做的事情]
**下一步**：[接下来要做什么]
**下次更新**：15 分钟后。

---

# 故障已解决
**主题**：[已解决] [服务名称] — [简要描述]

**解决方案**：[修复措施]
**持续时间**：[开始时间] 到 [结束时间]（[总时长]）
**影响摘要**：[谁受到了什么影响]
**后续**：事后复盘定于 [日期]。行动项将在 [链接] 中跟踪。

# PagerDuty / Opsgenie On-Call 排班设计
schedule:
  name: "backend-primary"
  timezone: "UTC"
  rotation_type: "weekly"
  handoff_time: "10:00"  # 工作时间交接，绝不在半夜
  handoff_day: "monday"

  participants:
    min_rotation_size: 4      # 防止倦怠——最少 4 名工程师
    max_consecutive_weeks: 2  # 没有人连续 on-call 超过 2 周
    shadow_period: 2_weeks    # 新工程师先跟班 2 周再上岗

  escalation_policy:
    - level: 1
      target: "on-call-primary"
      timeout: 5_minutes
    - level: 2
      target: "on-call-secondary"
      timeout: 10_minutes
    - level: 3
      target: "engineering-manager"
      timeout: 15_minutes
    - level: 4
      target: "vp-engineering"
      timeout: 0  # 立即——如果升级到这里，管理层必须知情

  compensation:
    on_call_stipend: true              # 为值班付费
    incident_response_overtime: true   # 非工作时间故障响应有加班补偿
    post_incident_time_off: true       # 长时间 SEV1 故障后强制休息

  health_metrics:
    track_pages_per_shift: true
    alert_if_pages_exceed: 5           # 每周超过 5 次 page = 告警太吵，修系统
    track_mttr_per_engineer: true
    quarterly_on_call_review: true     # 每季度回顾负担分布和告警质量