举一个左耳朵老师在帮一家公司做一个慢 SQL 的故障复盘大例子： 一共问了近 9 个为什么。
- 为什么从故障发生到系统报警花了 27 分钟？为什么只发邮件，没有短信？
- 为什么花了 15 分钟，开发的同学才知道是慢 SQL 问题？
- 为什么监控系统没有监测到 Nginx 499 错误，以及 Nginx 的 upstream_response_time 和 request_time？
- 为什么在一开始按 DDoS 处理？
- 为什么要重启数据库？
- 为什么这个故障之前没有发生？因为以前没有上首页，最近上的。
- 为什么上首页时没有做性能测试？
- 为什么使用这个高危的 SQL 语句？
- 上线过程中为什么没有 DBA 评审？
不足的地方：
第一，优化故障获知和故障定位的时间。
- 从故障发生到我们知道的时间是否可以优化得更短？
- 定位故障的时间是否可以更短？
- 有哪些地方可以做到自动化？
第二，优化故障的处理方式。
- 故障处理时的判断和章法是否科学，是否正确？
- 故障处理时的信息是否全透明？
- 故障处理时人员是否安排得当？
第三，优化开发过程中的问题。
- Code Review 和测试中的问题和优化点。
- 软件架构和设计是否可以更好？
- 对于技术欠债或是相关的隐患问题是否被记录下来，是否有风险计划？
第四，优化团队能力。
- 如何提高团队的技术能力？
- 如何让团队有严谨的工程意识？
此文章为5月Day27学习笔记，内容来源于极客时间《左耳听风》，强烈推荐该课程！
