这是 Beta 探索课程,内容结构、实验步骤和示例可能会继续调整。
容灾演练
没有演练过的预案,不能算真正可用。
这是本章唯一要传达的核心观点。容灾系统里最危险的东西不是缺失的预案,而是看起来齐备但从未验证过的预案。文档写得再漂亮,事故时才会发现:文档里写的那个脚本,两年前改架构时已经失效了;那个联系人,半年前离职了;那个依赖的中间件,在这次故障里恰好也挂了。
更麻烦的是能力会随系统变化退化。业务每上线一个功能,备用机房就离线上一个版本远一点。这是个静默过程——没有报错,没有告警,只有在真正需要切换的时候才会暴露。所以容灾能力必须靠持续演练来保鲜。
演练要分层推进,不要一上来就做全链路演练:
桌面推演 → 局部演练 → 全链路演练
便宜 适中 昂贵
只对方案 验证单个 验证全链路
全链路演练的失败率往往高于预期,而这恰恰是它的价值所在——在演练中失败,好过在真实故障中失败。
另外,演练不是技术团队单独的事。它要明确目标、影响范围、回滚方案、观察指标和参与角色,并且要有沙盒边界——演练本身不能变成一次真实事故。演练过程要像事故一样记录时间线,复盘结果必须变成任务,否则下次演练还会踩同样的坑。
读完本章你应该能设计一套分层的演练机制,并说清一次演练前需要准备什么。
发现内容有问题?
告诉我们哪里需要改进。
