经历过多次故障复盘，有些复盘过程剑拔弩张针锋相对，有些则是谈笑风生以和为贵，因人而异也因事而异，每次故障复盘过程，听不同人的发言，都能有很多感触和思考。
我认为最重要的是：要还原事实，找到薄弱点加以改进。
一、关于故障和复盘的意义
提到复盘，大多数人第一时间想到的是线上出了故障，这下又要有人背锅了。或者是为那个可怜的兄弟暗暗担心，也或者是因为跟自己无关，所以松了一口气。那么故障和复盘真的都是坏事么，我们该如何理解呢?我从以下3点讲一下对故障和复盘的理解。
1、正确地对待故障
在聊复盘之前，先聊下对线上故障的看法，首先，在一个复杂系统中，出现故障是必然的，没有任何系统能保证永远不出现任何故障，因此，我们要接受故障，然后，从定性的角度来看，并非所有的故障都是坏事，有些故障是有正面意义的，比如说通过一个线上的小故障发现了一个大隐患，或者是某次故障中相关人员的意识和应急预案都很到位，但是由于故障的原因非常特殊最后仍然造成了较大的影响等等，类似这样的故障都要找出其中的亮点。
所以，我们要用辩证的眼光去看待，避免大家“闻故障色变“。为了往这方面引导，在我们的故障管理制度上，我们也是鼓励快速恢复(对于快速恢复的故障定级比较低)、鼓励通过演练发现更多的线上问题(对于由于演练导致的故障有一定的豁免权)等等。但是同时，大家也应该充分意识到我们对故障的理念：即偶尔的系统失效是可以容忍的，人为的犯错是要严肃对待的，比如说不符合高可用规范的系统设计模式、强弱依赖设计不合理、由于人员意识不到位带来的故障处理时间较长、值班人员未及时接通oncall、由于对线上系统不够重视带来的变更隐患、不遵守变更三板斧规范等等。
2、复盘的3个目的
总之，复盘的目的是为了总结和改进，要充分利用好每一次故障的机会，从中汲取教训进行学习，提升我们的经验，完善系统的设计，我们希望达到3个目的:
1、找到根因，从根本上进行优化和改进，给后人带来警醒和参考。
2、找到降低故障发生概率的方法 - 增大MTBF。
3、找到让业务快速恢复的方法 - 缩短MTTR。
3、系统和组织都要高可用
每一次的线上故障，都是一次实战练兵的好机会，除开系统本身的高可用，我们的组织也应该是高可用的，我们经常说好的系统架构是具有韧性的，那么好的团队组织也应该是反脆弱的。所以复盘的过程中，除了找系统本身的问题，还要找工具的问题、流程机制的问题、管理的问题等等。这样，我们才能由点及面的系统化地解决问题，即治标又治本。
二、故障复盘的整体流程
三、复盘前的准备
1、故障参会方
直接原因方、关联(受影响)方必须全部参与，在复盘文档中记录参会人员名单。
时间线提前梳理清楚，做了哪些操作，产生了什么结果等，先与相关人员提前梳理清楚，关键信息通过截图等进行佐证。
2、复盘owner
每个复盘会议，都必须有唯一的复盘owner，故障的复盘owner要主动引导大家，推动复盘进度，避免出现一些无意义的指责、与故障无关的发散讨论等等。
3、理念宣导
①、明确宗旨，拒绝甩锅：故障复盘的目的是为了找出问题，明确改进方案避免再次踩坑。要尽量对事不对人，避免形成对某一方的批评会。
②、心态开放，理性务实: 敢于承认自己的问题，接受自己的不足。同时，在尊重他人的前提，每个人都可以就故障过程充分发表观点和看法。
四、复盘关键环节
1、故障背景概述
故障的背景要解释清楚本次故障复盘的背景，即发生了什么故障，影响了什么业务(产品)等故障的基本情况。在复盘文档中，可以通过结构化的语言进行表达。例如：“x月x日xx时，xxx系统出现异常，导致了xxx，影响了xxx业务，表象为用户无法正常下单，点击下单按钮出现网络开小差，出现了大量客诉等等”。
故障背景的意义在于让别人第一眼了解清楚这个复盘的来龙去脉，根因可以不用写太多，下面会有根因环节。
2、对齐故障影响范围
讲清楚本次故障的影响范围，包括影响时间段、影响的业务(产品)线、影响的系统(服务)、订单量、用户量、客诉量，以及有无产生资损等等。
3、故障时间线回放
提升系统可靠性的两个关键手段：降低故障发生概率和缩短故障持续时间。回放故障的时间线，即先从旁观者的角度来理一遍故障过程，是为了思考如何缩短故障持续时间(MTTR)，MTTR即故障的平均修复时间，我们对MTTR其进行拆解，得到如下几个时间段:
MTTR = MTTI + MTTK + MTTF + MTTV。
1、Mean Time To Identify (MTTI): 从故障开始到应急响应介入的时间，一般是考察监控告警、人员值班oncall的合理性。
2、Mean Time To Know (MTTK):从应急响应介入到故障定位的时间，主要考察根因分析、可观测性等工具的能力。
3、Mean Time To Fix (MTTF): 从故障定位到故障恢复的时间，主要考察应急预案、快恢体系的能力。
4、Mean Time To Verify (MTTV):从故障恢复之后到确认故障已经解决的时间，一般通过用户反馈、自动化测试等确认恢复。
因此在回放时间线的过程中，也要注意对以下几个关键时间点进行识别，然后逐个沟通讨论如何缩短其中的每一个环节耗时。
需要注意提前识别出来的关键时间点:
故障引入时间点: 即这个故障实际上是从什么时候开始的，可能是某次变更发布/线上操作/其他等。
业务指标变化时间点: 业务指标开始下跌、开始恢复等
监控告警发出时间点: 即监控是从什么发现异常的，告警什么时候发出的。告警的级别、接收人是否响应超时等相关信息都要记录进来。
人员介入响应时间点: 故障对应的系统值班owner是从什么时候开始响应的。
异常定位时间点: 即定位到故障的异常点，注意:故障处理过程中的根因定位，并非是最底层的根本原因，而是指初步确认了故障的异常点，可以进行下一步的应急止血动作。
关键操作时间点:是否做了一些应急预案，包括重启、恢复、止血、高可用配置等。还需要写清楚每个操作的结果，即每个操作之后，报错面有无缩小、系统资源水位有无变化等。
确认故障恢复时间点: 通过测试验证或者观测业务指标、系统日志等确认系统已经恢复。
4、深挖根因
一般情况下，故障是由两类原因引起的，包括直接(诱发)原因和根本原因，也就是所谓的诱因和根因。
因此在复盘过程中，既要明确诱因，更要深挖根因。比如说，某个业务系统由A/B/C 3个服务组成，依赖关系依次是A依赖B、B依赖C，某次开发同学修改了线上C服务的一个配置，使用了错误的格式，导致了整个业务系统不可用。那么在原因分析过程中，把配置文件修改为错误的格式这个动作肯定是直接原因，但是也要注意，B服务对C服务的依赖关系是强依赖么?如果C服务出现异常的情况下，B服务是否要进行兜底?等等。
可以基于5why分析法深挖根因，多问几个为什么，层层递进，比如说这样的一个场景: 线上系统运行过程中，某个ES节点突然抖动，RT时间明显变长，95线由200ms升至800ms，然后引发了上游业务异常。那么在分析原因的时候，要问以下几个问题:
1、为什么ES会抖动?
2、ES的可用性标准是什么?
3、ES抖动之后，有出现告警吗?相关人员有第一时间介入处理吗?
4、ES抖动之后，上游直接使用它的服务有兜底措施吗?是否为强依赖?
5、对于这个业务场景来说，ES的直接上游系统是这条链路的核心依赖吗，从整个链路上有无兜底机制?
要层层递进深挖根因，千万不要浅尝辄止，那样可能会错过真正的改进事项。从以往的故障来看，很多问题背后都是系统设计的问题，这样的问题挖得越深，我们的系统可用性才会越强，才能慢慢朝我们理想中的高可用架构前进。
5、改进项汇总
把时间线和根因分别确认清楚之后，就能推导出我们对于本次故障复盘的改进事项了。在梳理改进事项的时候，除了与故障相关系统的改进项之外，还需要从整个故障处理过程来看，在故障的各个环节中有无需要优化改进的地方。
比如说某个故障是靠人工(用户投诉)发现的，那么要考虑下这个业务的监控告警是否完善，是否能够降低故障触达时间;比如说某个故障的告警发出之后，迟迟没有人响应，那么要从管理制度来看，对于应急值班政策的执行是否到位;比如某个故障的排查过程中，定位比较苦难，很多地方要靠人工去梳理很多信息，那么要考虑相应的排障工具是否好用、应急预案机制是否完善等等。
还有很多其他的问题，大家可以参考上面的MTTR分解环节和故障根因分解环节，自己展开思考下，这也是上面说要深挖根因和详细分析时间线的目的，这样我们才能不浪费每一次故障的机会。
在记录改进项的时候，可以考虑结合SMART原则来设计改进项:
1、S - 必须是具体的(Specific)，改进项必须是可以落地的，不要泛泛而谈，例如”优化系统设计“这类就属于反例。重新设计A系统对B系统的依赖关系，使其能够对异常进行兜底，这种就属于具体的。
2、M - 必须是可以衡量的(Measurable)，即改进项是可以评估的，比如说通过故障演练来检验依赖关系的有效性。
3、A - 必须是可以达到的(Attainable),在当前的技术环境下，这个改进项是可行的，不要写未来太远的无法达到的事情。
4、R - 与其他目标具有一定的相关性(Relevant)，可以理解与本次故障中其他改进项有关联性。
5、T - 必须具有明确的截止期限(Time-bound)，要写清楚改进项的截止时间，在到期之后进行验收。
最后，改进事项重在闭环，这个环即PDCA循环，Plan(计划)-> Do(执行)-> Check(检查)-> Act(处理)，对于我们的故障复盘来说，即所有的改进事项都必须经过故障演练，通过实战演练来确保改进计划一定是有效的。
五、复盘过程中的几个关键问题
在复盘过程中，可能很多参与的同学由于经验或者背景不一样，大家对故障的理解不一定一致，那么复盘的owner要多问一些问题，来引发大家的讨论和思考，从以往的经验中，我们总结了几类问题，大家可以把这个作为讨论的框架:
1、故障的根因是什么?
当前我们在聊的这个是根因吗?从业务场景对应的链路上看，这个系统(组件)是强依赖吗?依赖是否合理、有无兜底机制。这次的变更流程是否完善、三板斧落实地是否到位。对应的观测指标是否能反映系统的真实状态，应急策略是否有效等等。
2、故障为什么会发生，可以避免或者降低发生概率吗?
也就是所谓的提升MTBF，如果是变更引起的，那么要考虑变更流程是否完善，是否按照流程规范操作，有无对应的防御机制。如果是某个系统组件失效导致的，那么要评估该组件的可用性是多少，与它所在的链路是否匹配，这条链路是否要设计兜底方案等。如果是外部原因引起的，那么我们对外部的这个依赖是否有过认真的评估，对方的可用性能够满足我们的诉求。
3、我们应该做什么，才能更快地恢复业务?
①、监控告警 - 这个故障是如何被发现的，监控告警是否完善，我们能否更快地发现这个问题。
②、管理制度 - 人员值班响应oncall是否及时,关键人员是否就位，关键岗位有无backup机制，系统owner对负责的组件是否足够熟悉。
③、定位效率 - 现有的排查工具是否好用，有无需要优化的地方，故障定位的时间能否再缩短一点，故障的处理原则是以止血恢复优先，当时的故障处理过程中，有无跑偏方向。
④、应急预案 - 故障处理过程中，是否有应急预案，应急预案是否奏效?日常是否通过故障演练来验证应急预案的有效性。
⑤、架构设计 - 架构本身的高可用是否完善，是否具有容灾能力。
⑥、流程规范 - 现有的制度规范是否完善，有无需要优化的。
六、故障定责
故障定责每家公司都有自己对应的定责制度，这里不展开太多，只写几个关键的观点。
1、定责对应的首先是团队，其次是个人
很多故障只是表象，大部分根因深挖下去，都会有技术管理的因素，虽然引发故障的操作可能是个人，但是更应该从团队的视角去看问题，避免把根因只归结到某个人身上。
2、鼓励快速止血和积极参与
对于故障处理过程中，积极参与定位、止血等操作的，给予正面的肯定。
3、第三方默认无责
即谁引入了第三方的技术组件，谁就要对其可用性负责。即我们在使用外部技术组件的时候，要仔细评估对方的可用性情况，以及我们的兜底方案等等。
4、红线和军规
红线和军规是我们的底线，坚决不能违反。现在的很多条款，都是以往的各个故障中沉淀出来，我们必须遵守且尊重这些红线军规，把它当做我们研发人员的铁律。
5、对于重复的错误必须严肃对待
未知的故障不可怕，可以用来丰富我们的稳定性建设经验，但是重复的踩坑就需要认真对待了，要思考为什么以往的改进事项没有落实到位等等。
七、小结
上面说到，复盘不是故障的结束，改进事项经过验收才算彻底结束，因此每一个改进事项的相关方，都应积极主动地push完成。同时，为了最大化的利用好复盘文档的价值，我们也未来也考虑通过以下几点来充分利用复盘价值：
1、未来新人入职后，先组织学习以往的复盘文档，吸收前人经验，避免重复踩坑。
2、后续把以往故障作为考试的素材，放入团队内部的稳定性考试中。
很多问题背后都是一系列的原因，在复盘的过程中，除了唯一根因，还要把关联的原因和问题一起来看，避免头痛医头脚痛医脚的情况，争取能够体系化的解决问题。