事故处置速查清单¶

发现与定级¶

• 业务影响是什么：用户、区域、租户、功能、数据和收入？
• 开始时间、当前趋势和爆炸半径¹是否明确？
• 监控是否可信，是否存在遥测²丢失或采样偏差？
• 是否需要事故指挥³、沟通负责人和专用协作频道？

证据与假设¶

• 建立变更时间线：发布、配置、证书、扩缩容、流量、依赖和云事件。
• 每个假设写明支持证据、反证、下一条低风险验证和截止时间。
• 保留关键日志、事件、profile⁴、状态快照和查询结果；不要先清理现场。
• 同时观察用户路径、服务黄金信号⁵、依赖和资源饱和度。

止血与恢复¶

• 优先选择可逆、局部、可观测的动作；每次只改变一个主要变量。
• 明确操作人、复核人、目标、超时、成功指标和回滚条件。
• 流量切换、限流、降级、回滚、扩容和禁用功能都要评估次生影响。
• 宣布恢复前验证合成交易、真实流量、数据完整性、队列积压和下游状态。

复盘与防复发¶

• 区分触发事件、技术根因、促成因素、检测缺口和恢复阻力。
• 行动项必须有负责人、期限、验收指标和优先级；避免“加强关注”。
• 同时处理代码、配置、平台守护栏、测试、演练、文档和组织责任边界。
• 用恢复时间、复发率、告警质量和行动关闭率验证改进是否有效。