什么是故障排查与故障恢复流程？
故障排查是识别系统异常或潜在风险的过程，而故障恢复流程是为应对故障而设计的标准化响应方案。在云服务选型中，这两者共同构成技术负责人决策前的核心验证环节，直接影响服务可用性与成本控制。
- RTO（恢复服务时间目标）和RPO（可接受数据丢失时间窗口）是制定恢复流程的基准指标。
- 故障恢复流程需覆盖单区故障、账单失控、安全组暴露等典型风险场景。
制定故障恢复流程的操作步骤
1. 明确目标与约束：确定RTO/RPO、预算范围、团队响应能力；2. 收集监控数据：覆盖资源、业务、错误、外部可用性四类指标；3. 模拟故障场景：测试单区故障、账单异常、安全组配置错误等；4. 编写恢复手册：包含触发条件、责任人、操作步骤、回滚方案；5. 定期演练与审计：每季度执行一次全链路恢复演练，更新流程文档。
- 步骤1：确认RTO/RPO目标，例如RTO≤1小时，RPO≤5分钟。
- 步骤2：使用云监控工具（如CloudWatch、Prometheus）采集CPU、内存、P95延迟等指标。
- 步骤3：通过自动化脚本或手动方式模拟故障，验证恢复时效与数据一致性。
- 步骤4：将恢复流程文档化，明确责任人与操作权限，避免依赖个人经验。
- 步骤5：每次演练后输出复盘报告，更新风险信号库与恢复手册。
故障排查与恢复流程检查清单
在执行前需核对以下关键项：1. 是否已定义RTO/RPO；2. 是否覆盖四类监控指标（资源、业务、错误、外部可用性）；3. 是否包含自动化告警与升级路径；4. 是否测试过单区故障与账单异常；5. 是否有回滚方案与演练记录。
- 是否已明确RTO/RPO目标？
- 是否覆盖资源、业务、错误、外部可用性四类监控指标？
- 是否设置自动化告警与升级路径？
- 是否测试过单区故障与账单异常？
- 是否具备回滚方案与演练记录？