系统稳定性方法论 - 序

业务发展是树
系统稳定是根
既要想上发展
也要向下扎根

系统稳定性的重要程度不言而喻，特别是在后互联网寡头平台化时代，任何微小的系统稳定性故障都有可能造成巨大损失。

就拿我所在的出行行业的公司举例，重要的节假日简直成了各位RD的噩梦，五一、国庆节、年三十，虽然节前都会大搞特搞稳定性专项，但总是遵循墨菲定律，bad things always happen… 且每次的故障、再加上竞对推波助澜，都会对公司造成巨大的负面评论，同时也在打击着RD的自信心…

作为一名RD，虽然我不是稳定性这方面的专家，但在平日的工作中也沉淀出了自己的一套方法论，希望大家多多指点！

系统稳定性

很难给系统稳定性下个准确的定义，但我们平时说的最多便是可用性，那么可用性如何评价？最直观的评价方式便是几个9

	通俗叫法	可用性级别	全年不可用时长(速记)
基本可用	2个9	99%	$\approx$ 88小时
较高可用	3个9	99.9%	$\approx$ 8.8小时
高可用	4个9	99.99%	$\approx$ 53分钟
极高可用	5个9	99.999%	$\approx$ 5分钟 (简直🐂🍺)

一般大家都是在保证3个9的情况下，追求4个9

如何提高系统稳定系

提高全员稳定性意识

在谈任何其他抓手之前，我认为最重要的是 提高全员稳定性意识，稳定性绝不仅仅只是RD的工作… 在内卷情况越来越严重的当下，负责稳定性的同事最容易被冷落，稳定性的工作在哪儿都是烫手的山芋，所有人都对在追求业务增长而选择性的忽略稳定性；但稳定性是所有业务的根基，稳定性与业务发展同样重要，一荣俱荣一损俱损；

要想改变这种现状，上至CTO下至RD，需要设置共背OKR，让全员参与稳定性建设！

举个稳定性方向的OKR例子

目标 - O	关键指标 - KR
日订单峰值1kw的情况下，保证系统核心链路稳定、无重大线上事故、能够及时感知、定位、解决事故	系统可用性99.99%
	无P3以上重大事故
	5分钟内感知线上事故，30分钟内止损
	…

稳定性建设4大抓手

降发生

从开发阶段开始，到最后的代码上线，这整个过程中，对各个阶段进行质量把控，将所有异常排除在发生之前

提感知

故障在所难免，所以一定要做到，一旦发生故障，能够及时且精准的告警！

快响应

在接到异常告警之后，能够快速响应、快速定位、快速止损，不要总想着这是谁的锅、如何解决问题，一定要先止损

做复盘

解决了故障，也一定要复盘，为了避免以后再次出现此类事故

下面，我就深入这四个方向，谈谈如何做稳定性建设。