故障专题

# 一分钟精华速览 # 故障复盘指的是及时把过去发生的错误，最大程度转化为未来可以规避的办法，其核心是不断减少失败因子繁衍的温床，将它们牢牢地掌控在不至于引发危机的范围之中。 作为…

美图架构平台团队的主要工作，是给业务提供技术支撑，保障业务的稳定性；在减少故障方面，架构团队和 SRE 团队有比较紧密的配合和较多的实践。此前美图 SRE 团队也在 TakinTa…

大多数时候，我们聊的都是“双十一”等大型活动下的容量保障，但除了个别典型峰值场景外，系统日常也会有各类容量保障的需求，去哪儿网作为国内最大的旅行平台之一，在各类场景中摸索出了一套常…

今年 3 月 GitHub 在一周内出现了多次服务不可用的情况，每起事件持续时长在 2-5 小时，据有媒体统计，GitHub 在一周中多次中断影响的开发者数量高达 7300 万。事…

# 一分钟精华速览 # 系统故障无法避免，事故发生的原因多种多样，故障定责不是为了指责而是为了后续的优化改进，可很多企业在定责时难免遇到团队、个人之间推卸责任的情况，定责定的到底是…

是不是经常会遇到，有人在群里@你，告诉你你的系统出故障了，你在犹豫是不是真的出故障的同时还得慌乱地去查找？ 老板问你系统现在到底健康与否，能不能快速给个判断，你却不敢断言？业务方说…

 文章摘要 作为 DBA 都清楚，数据库备份是至关重要的，可以说是拯救数据库最后的灵丹妙药。所以生产系统的数据一定要有备份，当然备份工具和策略的选择也十分重要，直接影响到…

#一分钟精华速览#某企业内部故障统计数据显示 85%的异常是靠用户上报发现而非监控发现。针对一个故障场景增加一个告警，往往需要增加数百上千个监控项，这样加下去，真的能提升业务异常的…

谷歌事故回顾：https://news.shulie.io/?p=5103 鲁棒性（robustness）其意思是健壮和强壮，就是系统的健壮性。它是指一个程序中对可能导致程序崩溃的…

以下为谷歌官方的事故报告： 问题摘要 2020 年 12 月 14 日星期一，需要谷歌 OAuth 访问且面向客户的谷歌服务出现死机，并持续了 47 分钟。GCP 工作负载使用的云…