事故管理

针对事故复盘、总结等场景的使用需求，事故管理模块提供了事故的新建登记、编辑修改等功能，并支持不同筛选维度的精细化查看需求。
事故记录内容主要分为基本信息、通知范围、复盘信息、事故定级四个部分，可根据实际情况进行录入。

• 基本信息：事故信息的基本组成部分。
• 通知范围：事故复盘通报的用户范围。
• 复盘信息：对事故发生过程、原因以及改进计划进行记录，便于追踪、处理问题。
• 事故定级：对事故定级并划分责任方。

1 前提条件

已购买分布式数据自治服务。详细操作说明请参见 DataLeap 服务信息。

2 事故登记管理

若SLA延迟较严重，比如是数据等级为D1的申报任务的延迟，则需要登记事故。

1. 登录 DataLeap 控制台。

2. 选择数据治理 > 复盘管理 > 事故管理 > 事故列表，进入事故列表页面。
   

3. 新建并复盘事故通报。

   1. 单击事故通报按钮，在新建事故通报页面，填写事故信息后，单击提交按钮，即可新建一条事故记录。
   2. 可单击事故列表操作列的复盘按钮，对事故继续进行复盘登记后，单击相应按钮完成以下操作。
      • 单击保存按钮，保存配置的复盘信息。
      • 单击完成复盘按钮，完成事故复盘。此时，该事故的复盘按钮变为编辑按钮。
        新建事故通报相关参数说明如下表所示。其中名称前带 * 的参数为必填参数，名称前未带 * 的参数为可选参数。

   参数	说明
   基本信息
   *事故标题	SLA延迟事故的标题，自行设定。
   *发生时间	事故发生的时间，下拉可选。
   结束时间	事故结束的时间，下拉可选。 说明 事故结束时间不得早于事故发生时间。 当您标识该事故复盘已完成时，需填写该参数。
   *发现渠道	发现该事故的渠道，支持监控报警、客服、产品运营、分析师、技术人员、外部用户、内部用户和其他八个选项，下拉可选。
   创建人	登记该事故的人员，默认为当前新建事故的用户，不可编辑。
   *跟进人	跟进事故处理的人员，输入用户账号关键词后下拉可选。
   直接影响内容	直接影响的任务。 默认添加当前选中的任务，可添加其他受影响的任务。若添加，需设置以下参数： 任务/数据表：支持离线任务、数据表、离线基线三个选项，下拉可选。 离线任务：可输入任务名称关键词或任务ID搜索后下拉选择。 数据表：支持EMR Hive 和 LAS 两种类型选项，选择类型后，输入库名或表名关键词后下拉可选。 离线基线：输入基线名称关键词后下拉可选。 业务日期：业务发生的日期，下拉可选。 问题类型：离线任务支持 SLA延迟、报警两类选项，数据表、离线基线仅支持报警选项。 关联报警：任务/数据表的关联报警信息，按需勾选。 当问题类型选择报警时，需设置该参数。
   影响团队	事故影响到的团队，下拉可选已创建的数据团队，支持设置多个。
   影响补充说明	影响内容的补充说明。
   通知范围
   通报范围	事故通报的用户范围，输入用户账号关键词后下拉可选。 说明 设置该参数后，新建事故通报时，会给该用户发送事故通报通知；完成复盘时，会给该用户发送事故复盘通知。
   复盘信息
   事故过程	事故发生的过程。可根据需要进行描述，示例如下： 事故开始：通过什么操作开始，操作的过程是怎样的。 如何发现：何时、是谁、在哪里发现的，发现后第一时间如何处理的。 处理过程：采用了什么手段进行缓解或者修复，修复时遇到了哪些问题。
   事故原因	事故发生的原因。
   改进计划	事故整改计划，可按需添加多条。 每条计划包含以下配置项： *改进项类别：改进项所属类别，支持流程规范、产品需求、技术优化、意识培训、其他五个选项，下拉可选。 *改进项：要改进的事项。 *跟进人：改进项的责任人，输入租户账号关键词后下拉可选。 *跟进数据团队：跟进该改进项的数据团队，下拉可选已创建的团队。 *截止时间：设定的改进截止时间，下拉可选。截止时间不可早于事故发生时间 *状态：改进的状态，支持进行中和已完成两个选项，下拉可选。 完成情况说明：改进项的改进完成情况说明。 说明 若填写改进计划，则名称前带 * 的参数为必填项。
   事故定级
   事故定级	依据事故造成的影响定级，支持L0~L4、Notice、未定级等选项，严重程度由高到低，下拉可选。 系统会根据任务自动显示推荐选项，若无推荐或有其他设置需求，可参考以下事故定级标准自行设定。 离线数据时效性作为核心质量要求，事故定级应综合考虑受事故影响的任务重要性、任务时效性承诺、任务延迟比例和任务最大延迟时长。目前仅对受事故影响的核心离线数据任务定级，各等级对应的问题情况如下： L0：指影响特大。 单机房核心申报任务延迟比例>=40% 受影响核心申报任务最大延迟时长>12H L1：指影响重大。 单机房核心申报任务延迟比例>=20% 受影响核心申报任务最大延迟时长>6H L2：指影响严重。 单机房核心申报任务延迟比例>=10% 受影响核心申报任务最大延迟时长>3H L3：指影响一般。 单机房核心申报任务延迟比例>=5% 受影响核心申报任务最大延迟时长>2H L4：指影响轻微。 单机房核心申报任务延迟比例>=1% 受影响核心申报任务最大延迟时长>1H Notice：指影响微小。 单机房核心申报任务延迟比例<1% 受影响核心申报任务最大延迟时长<=1H 说明 同一等级下的多个问题是或的关系，即只要存在其中一个问题即可选择对应的等级。 单机房核心申报任务延迟比例 = 单机房核心申报任务延迟数 / 单机房核心申报任务总数 核心申报任务：SLA保障平台申报成功的D1级和D2级任务。 单机房：目前仅支持华北机房。 任务延迟定义：SLA保障平台申报时承诺的任务完成时间内未运行完成定义为延迟。 受影响核心申报任务最大延迟时长 = Max(受影响核心申报任务延迟时长集合)
   责任划分	该事故的责任划分情况，可根据实际情况添加多条。 每条信息包含以下配置项： *责任团队：负责该事故的数据团队，下拉可选已创建的团队。 *责任占比：当前所选团队承担责任的百分比，其输入值需要大于0。 判定理由：判断该团队责任占比的理由，根据实际情况填写。 说明 若填写责任划分，则名称前带 * 的参数为必填项。 完成复盘时，所有责任团队的责任占比之和要等于100%。

4. 对已创建的事故通报，还可进行以下管理操作：

   • 设置搜索条件，查看符合条件的事故列表。当设置多个搜索条件时，会取各个条件的交集，进行查询。

   • 单击事故列表中某条信息操作列的编辑按钮，在编辑页面，可以修改该条事故通报。

   • 单击事故列表中某条信息操作列的分析按钮，在弹出的事故分析窗口中，可以分析事故原因。

     参数	说明
     分析维度	事故分析的维度，支持直接原因、根因分析、预防检测、监控发现和响应止损
     问题类别	问题的归类。不同维度下有多个不同的类别选项，下拉可选。 选择分析维度后，才可设置该参数。
     详细描述	对该问题的详细描述。

   • 单击事故列表中某条信息操作列的删除按钮，二次确认后，可以删除该条事故通报。

     说明

     仅事故创建人可以删除自己创建的事故通报。

3 改进管理

当事故通报设置改进计划后，可在改进管理页面对事故改进项进行统一管理。

1. 登录 DataLeap 控制台。
2. 选择数据治理 > 复盘管理 > 事故管理 > 改进管理，进入改进管理页面。
   
3. 可执行以下管理操作：
   • 设置搜索条件，查看符合条件的改进项列表。当设置多个搜索条件时，会取各个条件的交集进行查询。
   • 单击某条信息操作列的编辑按钮，在弹出的窗口中，可以修改该信息。
   • 单击某条信息操作列的删除按钮，二次确认后，可以删除该条信息。

     说明

     仅创建人可以删除自己创建的事故改进项。

   • 单击某条信息操作列的完成按钮，在弹出的窗口中，确认信息无误后，将该改进项的改进状态更改为已完成。

     说明

     仅改进状态为进行中的改进项支持该操作。

4 后续操作

登记事故后，您可进入事故大盘页面，查看具体的统计情况。相关说明请参见事故大盘。