线上故障标准处理流程【完整版｜面试背诵+生产落地】
核心宗旨：先止血、再恢复、后复盘。线上故障第一优先级是恢复业务，不是查根因、不是改代码。
完整闭环：发现 → 定级 → 通报 → 止血恢复 → 根因定位 → 修复上线 → 数据补全 → 复盘整改
一、故障发现（被动+主动）
两类发现渠道：
被动发现：用户反馈、客服上报、业务侧报错、接口超时、页面异常
主动发现：监控告警（CPU/GC/接口成功率/报错率）、链路追踪告警、日志异常告警、拨测告警
按影响用户数、业务范围、持续时间定级，统一处理优先级：
P0 特级故障：核心业务全挂、全站不可用、大量用户受损、资损严重
P1 严重故障：核心业务降级、部分功能不可用、大量用户受影响
P2 一般故障：非核心功能异常、少量用户影响，主流程正常
P3 轻微故障：日志报错、偶发异常，无用户感知
定级决定：响应速度、是否拉紧急群、是否升级领导、是否停迭代。
三、故障通报（同步信息，避免多头排查）
故障初期信息同步，避免多人重复排查、混乱无序：
拉紧急故障群：研发、测试、运维、产品、客服
同步：故障现象、开始时间、影响范围、当前处理人
禁止沉默排查：任何进展、卡点、猜测必须实时同步
四、核心步骤：先止血、后恢复（重中之重｜面试高频）
线上铁律：恢复业务优先，不追求当场定位根因。
常用止血恢复手段（按优先级排序）：
紧急降级：关闭非核心功能、限流、熔断，保住主流程
流量切换：读写分离切主、切备用集群、异地多活切换
节点摘除：下线故障节点、异常实例，避免持续报错
版本回滚：最新迭代代码导致故障，优先回滚上一个稳定版本（最快止血）
重启恢复：内存泄漏、死锁、线程耗尽，快速重启实例兜底
临时兜底方案：缓存兜底、静态页兜底、默认值兜底
止血标准：接口成功率恢复、报错率归0、用户感知消失。
五、根因定位（业务恢复后开展）
业务恢复稳定后，再深入排查真实原因，避免故障复现。
排查维度全覆盖：
应用层：死锁、OOM、频繁FullGC、线程池耗尽、代码bug、空指针、循环逻辑
数据库层：慢SQL、索引失效、行锁等待、连接池打满、主从延迟
中间件层：Redis大key/热key、MQ堆积、ZK抖动、Nginx异常
资源层：CPU飙高、内存溢出、磁盘满、网络丢包、带宽打满
变更层：代码上线、配置变更、机器扩容、权限变更、依赖升级
定位方法：监控大盘 + 链路追踪 + 日志检索 + 线程栈/堆dump分析 + 变更记录比对。
六、彻底修复 & 灰度上线
修复代码bug、配置错误、资源瓶颈、架构缺陷
禁止直接全量发布：先灰度、小流量验证、观察监控
验证回归：功能回归、性能回归、并发回归，确认无二次问题
七、数据兜底 & 损失修复
故障若导致数据异常、丢失、重复、资损：
核对日志、数据库、MQ消息，校准脏数据
补单、对账、回补数据、补偿业务状态
统计资损范围、用户影响，做好用户安抚
八、故障复盘（闭环关键｜面试必考）
故障恢复后，必须复盘，杜绝重复踩坑，采用5Why分析法深挖根因。
复盘报告核心内容
故障基本信息：时间、现象、定级、影响范围、持续时长
故障过程：发现、通报、止血、恢复、定位完整时间线
直接原因：表面问题（如新增SQL无索引、代码死循环）
根本原因：流程/规范/架构漏洞（如上线无灰度、无SQL审核、无压测）
改进方案：代码、流程、监控、架构四层整改
责任人、整改截止时间、验收标准
三类整改措施（必背）
短期止血：临时修复、配置优化、降级限流兜底
中期优化：代码重构、SQL优化、资源扩容、补齐监控
长期规范：完善上线流程、CR规范、压测规范、告警体系
九、线上故障三大铁律（面试绝杀句）
恢复大于一切：先止血恢复业务，再查根因，绝不原地死磕排查
所有故障必须复盘：无复盘不结束，无改进不闭环
故障可预防、可兜底、可快速恢复，杜绝低级重复故障
十、高频面试深挖问答
Q1：线上故障为什么优先回滚，而不是现场修复？
回滚是最快、最安全的止血方式，能立刻恢复业务；现场修复耗时久、不确定性高，容易引入二次bug，扩大故障影响。
Q2：故障处理最大的禁忌是什么？
沉默排查、盲目改代码、不通报、不降级、不回滚、耗时死磕根因，导致故障持续扩散。
Q3：怎么避免同类故障重复发生？
通过复盘找到流程漏洞，补齐监控告警、完善CR审核、上线灰度、压测覆盖、增加兜底降级策略，固化规范流程。
Q4：偶发难复现故障怎么处理？
优先加详细日志、链路埋点、监控指标，缩小排查范围；增加兜底容错逻辑，先保业务稳定，等待故障复现定位根因。
一句话终极背诵总结
线上故障遵循先止血恢复、后定位根因、最终复盘闭环；优先降级、限流、回滚、节点切换快速保业务，通过监控日志定位问题，修复后补齐数据损失，复盘深挖根本漏洞，从代码、监控、流程、架构四层优化，杜绝重复故障。
