去哪儿网从优化故障指标出发，对故障发现、故障根因定位、故障修复等各个环节展开全面优化。本文将深入探讨这一系列优化改革的详细过程，剖析各个阶段所采用的监控方法和工具，以及在实践过程中遇到的关键问题。

重试依然失败怎么办？这个问题曾经一直困扰我。因为每次处理这种问题时往往很棘手，需要在线上手动执行一些命令，是比较危险的人肉运维工作。

通过构建一个故障演练体系，来提升系统架构的容错能力和韧性，也可以站在位置故障视角来验证系统稳定性，验证整个故障定位能力和恢复体系。同时可以以战养兵，提升故障应急效率。

昨天晚上，我刚到家里打开公司群，就看见群里有人讨论：线上环境出现大量RPC请求报错，异常原因：被线程池拒绝……

4 案例解析 4.1 热身-事故1：redis锁处理幂等性失效 以上代码问题： 1：对事物的理解使用有问题，幂等设计bug 2：redis锁使用有问题 扩展： 事务在生产实践中经常犯的错误： 事务范围

1 生产故障分级规范概要 1.1 开篇 计算机是当今世界的命脉，你能看到的任何地方，计算机都在改变着世界，不论是传统的制造生产，医疗通讯。还是新兴的虚拟现实，无人驾驶汽车 等领域。过去的几十年，计算机

全文约 15000 字，阅读需要 30 分钟。是关于后台稳定性建设的系统性思考，从运维、高可用架构、容量治理、变更管理、风险治理、故障管理、混沌工程等 7 个方面做了详细的表述。