记录一次停运以进行尸检

Question

在过去的一周里，我们发生了相当严重的故障，影响了几项服务，使我们无法与客户一起使用SLA。现在一切都解决了，我正在进行一次尸检。

从这次审查中，我想提出一份内部文件，说明停运、其影响、我们的反应和决议。我想为将来的重用提出一个相当标准的表单。我已经在下面列出了我的想法，但是还应该包括哪些其他项目呢？如果这是一个与安全有关的事件，你会补充什么？

• 事件的执行级摘要。
• 受影响的服务
• 对我们的用户和SLA的影响是什么？是否存在以美元计算的成本、错过的交易、失去的客户等？
• 如果有差异，每个受影响服务的停机时间
• 原因包括主因和次要原因
• 分辨率
• 事件通知的时间表，与外部供应商的联系，客户通知，响应等。
• 我们的反应有问题吗?我们对停电的反应不是按计划进行的吗？通知正确的人吗？供应商是否履行了他们的合同义务？
• 采取预防措施，我们如何防止这一中断再次发生或减少其影响？
• 检测方法
• 在今后的停运响应中要做的更改

试着把文章压缩到一个项目和解释，这篇文章可以更新与顶部投票的答案。

Answer 1

虽然可以在要采取的预防措施中讨论这个问题，但我建议您使用一个检测方法部分来记录真正的症状是什么，如果再次发生问题，如何更快地发现问题，最好是使用自动化。

Answer 2

看起来不错。我只想补充以下几点：

影响/后果:停电的后果是什么--谁受到影响，哪些SLA被违反(如果有的话)，是否有任何撞击效应？

Answer 3

受影响的服务和中断持续时间只告诉您停机有多严重。您还想知道对业务的影响是什么。

影响:这对用户有什么影响，人们是如何看待的？这花了我们多少钱(因为少了SLA，丢失了订单等)？