事故频发并不意味着可靠性下降
Industry
Source: InfoQ 中文Publish time unverified
IT 工程项目领导者最常见的假设之一，是报告的事故数量不断增加就意味着系统可靠性正在下降。然而，Great Circle 最近的一篇文章"提出，实际情况往往恰恰相反：事故数量增加，反而可能意味着组织的事故管理文化正在改善。随着团队不断投入资源完善流程、工具、培训和运维规范，他们会更愿意正式地将那些过去大概只会被悄悄处理、甚至被隐瞒的事故报告上去。这样带来的结果就是组织对运营问题的可见性提高了，但却不一定意味着系统的健康状况恶化。 这篇文章对业内广泛采用事故数量作为关键绩效指标（KPI）的做法提出了质疑。文章认为，事故数量衡量的其实是组织发现并处理运营问题的意愿，而不是系统本身的可靠性。成熟的事故管理文化会鼓励工程师尽早报告事故，让适当的利益相关者参与进来，并开展结构化的事故复盘。虽然这通常会导致提交上去的事故数量在初期有所增加，但同时也创造了更多学习、改进流程以及预防未来更大规模中断的机会。 这一现象在其他工程领域也十分常见。加强漏洞管理后，组织往往会发现更多安全问题，但这并不意味着系统突然变得更不安全，而是因为组织检测安全弱点的能力提高了。同样，引入更好的可观测性通常会带来更多告警消…