3.1 故障等级定义

一个完整的故障等级定义一般由业务场景(功能模块)+影响面+对应等级组成。从功能受损后对用户实际受影响的程度可以简单将模块分为核心功能、次核心功能和非核心功能等模块，核心功能模块主要是直接影响用户使用服务的，非核心模块影响到用户体验，但是对主路径功能没有重大影响的。例如，交易创建和支付类的毫无疑问是核心模块，其他查询类，展示类的功能为非核心功能模块。次核心功能模块，比如说退款、提现、绑卡等功能，会间接影响用户使用核心功能，但用户可接受一定时间的不可用的，介于核心和非核心之间的一种分类。

影响面主要是用来描述某个功能模块受损后的现象和结果，最常使用的指标是成功量、成功率、耗时、影响用户数、失败量、影响时长等指标，其中使用成功量比较常见且直观。

最后，根据业务层面对影响面的判断，对不同级别的影响面匹配不同的故障等级(P1-P4)。

标准化故障等级定义制定的思路：

•依据业务属性先将业务划分为大的子类(业务整体技术架构层面)。

•将每个子类业务里的核心模块和次核心、非核心模块区分开来(功能层面)。

•根据各功能模块的业务量级去适配不同的影响面及故障等级定义模板。

其中根据业务量级适配不同的影响面及其对应的故障等级定义模板是这个思路的重点。下面来举例解释(仅作参考，业务可根据自身实际情况酌情使用部分推荐值)：

对于核心功能：

•大体量的情况下(例如：高峰期分钟级超过1000TPS，日均100W以上)，建议分钟级成功量下跌30%及以上定义为P1。

•中体量的情况下(例如：高峰期分钟级100-1000TPS，日均10-100W)，建议10分钟内总体成功量下跌45%及以上定义为P1。

•小体量的情况下(例如高峰期分钟级10-100TPS，日均1-10W)，15/30分钟内总体成功量下跌45%及以上定义为P1。

•更小体量的业务(日均小于1WTPS)，可使用60分钟内总体成功量下跌45%及以上定义为P2。

•在最高故障等级P1确定的情况下，依次降低影响面，形成P2-P4的标准(大体

量业务的主路径失败可以考虑P3起，不设置P4级别故障)，如30%-20%，

45%-30%等影响面对应剩余等级。

对于次核心功能(如营销类，注册类等业务)，可以在核心功能的基础上统一降低一个级别；

对于非核心功能(如查询类，后台使用等业务)，可以在核心功能的基础上统一降低两个级别；

由此生成一个故障等级定义的模板可以如下所示(实际使用中可适当精简，避免过于冗余）

故障等级定义制定好以后，需要得到技术负责人的审批，以及后续面向技术团队和上下游团队的公示，必要时需要进行宣讲。