交通行业运维部运维工程师故障排查手册.docxVIP

交通行业运维部运维工程师故障排查手册

第1章故障现象识别与初步分析

1.1故障现象标准化描述规范

故障现象描述必须遵循“五字原则”，即现象、原因、影响、现象、原因，确保描述客观且无歧义。例如，在记录某次服务器宕机事件时，不能仅写“系统挂了”，而应规范表述为“现象：CPU占用率突增至100%并伴随内存泄漏日志，原因：因未清理历史大文件导致OOM崩溃，影响：业务接口响应时间由200ms骤增至5s，现象：系统重启后恢复，原因：重启脚本执行时间不足30秒，影响：数据同步中断”。描述需包含具体的环境参数快照，如温度、电压、负载曲线等，为后续定位提供基准。例如，对于网络波动故障，需记录“现象：丢包率从0.1%飙升至15%，原因：交换机端口温度超过70℃触发过热保护，影响：视频会议卡顿，现象：端口温度回落至45℃后恢复，原因：冷却风扇转速恢复正常，影响：业务恢复”。

必须区分故障是瞬时偶发还是周期性重复，并标注发生时段。例如，针对空调系统故障，需明确“现象：制冷效果下降，原因：滤网堵塞导致airflow受阻，影响：机房温度维持在25℃，现象：运行24小时后故障再次出现，原因：滤网未清洗，影响：温度持续偏高，现象：运行48小时仍无改善，原因：机房环境湿度过大，影响：电路绝缘性能下降”。描述中应体现故障发生的物理状态变化过程，如光路中断