Análise de incidentes de infraestrutura · Thalewyn
Análise de incidentes de infraestrutura
Uma investigação estruturada de incidentes de servidores, virtualização, armazenamento, energia, telecomunicações e cloud, com um relatório de diagnóstico.
Computação, armazenamento e cópias de segurança, instalações e energia, telecomunicações e conectividade, cloud e operações. Para cada área envolvida, indica os seus dados técnicos, os problemas observados e os testes falhados ou bem-sucedidos, e depois ordena os problemas por urgência. O entregável relaciona as evidências, confronta cada causa provável com os seus testes (um teste falhado reforça-a, um teste bem-sucedido afasta-a) e, começando pelo seu problema mais urgente, dá o caminho de investigação, a análise da causa raiz, a melhor correção imediata e a ação corretiva a decidir.
Conteúdo
1. Correlação das evidências
2. Priorização dos problemas
3. Hipóteses de causa raiz
4. Caminho de investigação ideal
5. Resolução problema a problema
6. Informação de diagnóstico em falta
O que indica
Áreas envolvidas — As áreas afetadas pelo incidente.
Servidores físicos — Nome do servidor, fornecedor e modelo, estado do hardware, e depois os problemas observados e os testes realizados.
Virtualização — Plataforma, cluster / host, VM afetadas, e depois os problemas observados e os testes realizados.
Contentores — Plataforma, namespace / carga de trabalho, estado do pod, e depois os problemas observados e os testes realizados.
Sistemas operativos — Sistema operativo e versão, hosts envolvidos, espaço livre do disco do sistema (%), e depois os problemas observados e os testes realizados.
5 opções — Um componente não listado acima: o seu nome, função, fornecedor e configuração, e depois os problemas observados e os testes realizados.
Componente adicional (computação), Componente adicional (armazenamento e cópias de segurança), Componente adicional (instalações e energia), Componente adicional (telecomunicações e conectividade), Componente adicional (cloud e operações)
Armazenamento (SAN / NAS) — Storage array / NAS, protocolo, capacidade utilizada (%), e depois os problemas observados e os testes realizados.
Cópia de segurança e recuperação — Solução de cópia de segurança, tarefa afetada, última cópia de segurança bem-sucedida, e depois os problemas observados e os testes realizados.
Alimentação / UPS — UPS, estado da UPS, autonomia da bateria (min), e depois os problemas observados e os testes realizados.
Arrefecimento — Temperatura da sala (°C), humidade (%), unidades de arrefecimento afetadas, e depois os problemas observados e os testes realizados.
Centro de dados — Local / sala, bastidores afetados, evento físico, e depois os problemas observados e os testes realizados.
Ligações do operador / WAN — Fornecedor, identificador do circuito, estado da ligação, e depois os problemas observados e os testes realizados.
Rede móvel (4G / 5G) — Operador, sinal RSSI (dBm), tecnologia, e depois os problemas observados e os testes realizados.
Ligações por satélite — Fornecedor, qualidade do sinal (dB), condições meteorológicas no local, e depois os problemas observados e os testes realizados.
GPS / sincronização horária — Fonte de tempo, desvio do relógio (ms), estrato, e depois os problemas observados e os testes realizados.
Plataforma cloud — Fornecedor, região, recursos afetados, e depois os problemas observados e os testes realizados.
Monitorização e gestão — Ferramenta de monitorização, alertas gerados, hora do primeiro alerta, e depois os problemas observados e os testes realizados.
Priorização dos problemas — A análise investiga os problemas por esta ordem, ponderada pelo seu impacto no negócio.
