VIP20

本课程属于：049-实时数据产品化 数据工程与实时数据平台 · 共 20 门相关课程，组合学习更完整。

查看所属VIP全部课程 →

← 返回所属目录咨询 / 购买

数据产品SLA故障排查

📚 共计 30 章节

点击此处阅读海量试读课程：100+行业、1000+细分领域

SLA基础概念

什么是SLA、SLA的关键指标（可用性、延迟、吞吐量）、SLA与SLO/SLI的关系。

可用性SLO/SLI

故障定级标准

P0-P4故障等级定义、响应时间要求、影响范围评估。

P0-P4响应时间

故障排查流程

故障发现、故障响应、故障定位、故障恢复、故障复盘。

全流程复盘

监控体系搭建

指标监控（Metrics）、日志监控（Logging）、链路追踪（Tracing）——三大支柱。

告警策略设计

告警规则配置、告警分级、告警抑制与聚合、避免告警风暴。

告警分级抑制聚合

数据链路排查

数据采集、数据传输、数据存储、数据计算、数据服务全链路分析。

全链路数据流

数据源故障排查

数据库连接超时、数据源不可用、认证失败、权限问题。

数据库认证

数据采集故障排查

采集器宕机、数据格式异常、采集延迟、数据丢失。

采集器数据丢失

数据传输故障排查

网络抖动、带宽瓶颈、消息队列积压、序列化/反序列化错误。

网络消息队列

数据存储故障排查

磁盘空间不足、读写性能下降、数据损坏、主从同步延迟。

磁盘主从同步

数据计算故障排查

计算任务失败、资源不足（CPU/内存）、数据倾斜、任务超时。

资源不足数据倾斜

数据服务故障排查

API响应慢、服务雪崩、连接池耗尽、限流与熔断。

服务雪崩限流熔断

数据质量故障排查

数据重复、数据缺失、数据不一致、数据延迟到达。

数据质量一致性

网络故障排查

DNS解析失败、TCP连接超时、丢包重传、防火墙规则拦截。

硬件故障排查

服务器宕机、磁盘故障、内存故障、网卡故障。

操作系统故障排查

文件句柄耗尽、进程僵死、内存溢出（OOM）、CPU负载过高。

中间件故障排查

Kafka故障、Redis故障、MySQL故障、Elasticsearch故障。

容器与K8s故障排查

Pod CrashLoopBackOff、节点NotReady、服务发现失败、资源配额不足。

权限与安全故障排查

认证失败、授权不足、数据泄露风险、SQL注入排查。

安全SQL注入

变更引发故障

配置变更回滚、版本升级兼容性、灰度发布故障、数据库Schema变更。

变更灰度发布

故障应急响应

故障通告模板、应急指挥体系、止血措施（降级/限流/切流）。

故障定位工具

Grafana看板分析、日志关键字检索、TraceID链路追踪、Profiling工具。

故障根因分析

5Why分析法、因果图、时间线还原、排除法。

故障复盘报告

故障报告模板（RCA）、改进措施跟踪、SLA赔付计算。

SLA数据统计与可视化

可用性计算（9的个数）、SLA达标率统计、SLA看板设计。

可用性9看板

自动化故障处理

自愈脚本设计、自动扩缩容、故障转移策略、ChatOps集成。

混沌工程实践

故障注入实验、爆炸半径控制、稳态假设验证、游戏日（GameDay）。

混沌工程GameDay

多活与容灾架构

同城双活、异地多活、数据同步延迟、容灾切换演练。

SLA治理与持续改进

故障知识库建设、On-Call轮值机制、SLA文化推广。

知识库On-Call

综合实战案例

某电商大促SLA保障、某数据平台P0故障全流程复盘、SLA从99%到99.99%的演进之路。