2025年网络运营行业运维部运维工网络故障排查手册.docxVIP

2025年网络运营行业运维部运维工网络故障排查手册

第1章

1.1故障发生时间与影响范围界定

运维人员需在5分钟内通过监控大屏确认故障发生的具体分钟数与秒数，并记录当前系统运行状态，确保“故障发生时间”的精确性，这是后续所有分析的基础。界定影响范围时，需区分“单点故障”与“全链路故障”，例如在核心数据库层面，若仅影响1个业务子系统的响应速度，则范围界定为“单一业务模块”，若涉及支付网关或用户认证中心，则范围界定为“全链路服务”。

利用拓扑图快速绘制故障影响路径，例如从用户终端-负载均衡器-应用服务器-数据库-网络防火墙，若某节点出现延迟，需明确是上游传输层问题还是下游应用层问题，从而精准锁定影响范围。统计受影响用户数时，需结合实时告警数据，例如系统自动统计出过去15分钟内，因该故障导致用户无法登录的会话数，若超过500个会话，则判定为“高影响范围”，需立即启动应急预案。对于非实时系统，需界定“业务中断时长”，例如若故障持续2小时，则影响范围定义为“持续2小时的长时间服务中断”，这直接影响恢复策略的选择，如是否需要全量回滚或数据备份。

明确影响范围时，还需考虑办公区域与远程办公区域的差异，例如在核心办公区，若服务器宕机，影响范围即为“全员办公中断”，而在非核心区域，影响范围可能仅为“特定项目暂停”，需根据业务重要性分层界定。