线上故障应急处理标准流程

01-故障发现：

故障发现依赖于监控系统，如果自身监控系统足够完善，应该是自己先发现故障，之后才是依赖方反馈故障。

故障发现追求的是及时和全面，力求发现所有的故障并及时告警，不过理想和现实往往偏差较大。

02-恢复生产：

这个阶段一般通过监控系统及个人经验判断故障的大概原因，如果短时间能够恢复(10分钟以内)则即刻执行恢复预案并观察效果。

恢复生产的首要原则是快，如果自身能够及时止损最好，不能及时止损也需要告知依赖方需要及时止损。

03-根因定位：

根因定位会涉及到各种监控、日志、连通性测试、工具验证、check代码的工作，最终可能都会归结为bug或者误操作导致。

04-根因解决：

定位了根本原因后，就是case by case解决问题的过程了，故障一般可以归结为两类：可用性问题和性能问题。

可用性问题可能是代码编写时没有面向失败的设计，性能问题就需要优化代码或者扩容解决了。

05-故障复盘：

故障复盘一般会分为事前和事中两个阶段，事前更多是预防，事中则更多考虑缩短故障时间。

事前：如何更快发现故障、如何更快告警、如何更快升级、如何发现同类故障、如何减少损失、如何灰度、是否可以增加审批流程.....

事中：如何自愈、如何优化预案效率、如何更快定位故障原因......

这些问题如果都能答得差不多，我觉得90分肯定没问题。