花花公子操作

1）花花公子是什么，与跑步簿有什么不同

Runbook是用于类型操作/警报的线性分步指令（"动手，两个，三个"）。
花花公子是叉子场景的决策树：不同的症状→不同的假设→不同的动作分支。包括选择条件、进站条件和fallback分支。
花花公子的目的是在不确定性下降低MTTA/MTTR和即兴创作水平。

2）首先需要花花公子的地方

事件：SLO下降（可用性/可用性/成功性），业务SLI失败（转换/支付成功）。
更改：发布、迁移、幻灯片标志、configi （canary/rollback）。
服务窗口：DB/经纪人升级，证书轮换。
提供者：PSP/KYC/CDN/IDP-降解和交换。
安全：受损钥匙，可疑活动。
DataOps：新鲜度迟到、模式漂移、管道退化。

3）花花公子标准（最小阵容）

1.卡：ID,版本/日期,所有者（团队/角色）,服务/地区/tenants,相关政策/标准。
2.启动目标和条件：哪个SLO/SLI保护哪些变量/触发器适用。
3.症状↔假设：对应表，如何迅速切断错误的假设。
4.解决方桉树：分叉、安全门、停止/继续标准。
5.操作：带有命令/链接到运行手册的回合制块。
6.通讯：升级模板（Impakt→Diagnostika→Deystviya→Sled。更新），频道和频率。
7.回滚/倒退：明确的UX退化背面计划、限制和标志。
8.完成标准：度量，时间观察窗口。
9.Evidence：保存的内容（日志、图形、截图、ID字幕）。
10.更改历史：changelog,已知的限制。

4）花花公子分类（目录示例）

INC-事件（SLO/SLI，提供商，基础设施）。
REL-版本，回滚，configi/标志。
MW-服务窗口（DB/queue/cert/OS）。
SEC-安全（访问、密钥、可疑活动）。
DATA-新鲜/质量/方案。
PROV-外部提供商（PSP/KYC/CDN/电子邮件/SMS）。

5）生命周期和所有权

1.启动：根据事件/模拟/更改的结果。
2.草稿：作者=服务的所有者；评论：SRE/安全/数据（按域）。
3.飞行员：平台/游戏日；固定通过时间和缺陷。
4.出版物：在回购中（Docs-as-Code），版本，标签，指向行车记录的链接。
5.更新：RCA/CAPA，至少每季度一次；SLA新鲜。
6.归档/解密：当替换/丢失相关性时。

6）与工具集成

警告→剧本：每个页面规则都恰好引用了一个基本花花公子。
ChatOps： '/play start <id>"打开卡片,捕捉事件,设置升级计时器。
CMDB/目录：服务中列出了相关的花花公子，所有者，SLO，行车记录仪。
GitOps：Playbooks和runbook'，住在Git，经过PR review和linters。

7）花花公子质量指标

Actionability：≥ 90%的发射导致特定行动没有"在不知不觉中"升级。
时间到第一动作：从页面到第一个有意义的步骤一两分钟。
封面：具有绑定花花公子的Page Alert（目标100％）的百分比。
Freshness：花花公子的比例是新鲜的90天。
Defect rate：在100个花花公子上的评论/模拟。
Reuse：花花公子实际使用了多少次（以及结果导致了什么）。

8）反模式

"花花公子百科全书"长达20页，没有决策树。
没有期望结果的命令（"执行X"-应该改变什么？）。
没有背景计划和限制-问题升级的风险。
没有指定链路/通信间隔-公关风险的增长。
没有所有者/更新日期的花花公子-没有人相信它的相关性。
数十个类似的花花公子代替一个参数化。

9）迷你花花公子模板（YAML想法）

yaml id: INC-PAY-001 name: "Payment Success Down"
version: 2. 4 (2025-10-15)
owner: team-payments@sre scope: [prod, region: eu, tenants: all]
goal: "Restore success_ratio ≥ 98% without violating SLA"
triggers:
- alert: slo. burn. payment_success_ratio
- external_status: psp-a partial outage symptoms:
- "5xx growth in payments-api"
- "p95 latency> 400ms on PSP-A"
decision_tree:
- if: "quorum(eu,us) confirms drop AND PSP-A status=partial"
then:
- action: "Reduce PSP-A weight to 30%"
runbook: rb://payments/traffic-shift guardrails: ["success_ratio improving 10m", "p95<300ms"]
- action: "Enable degrade_payments_ux"
runbook: rb://payments/feature-flags
- action: "Status update (30m) by template"
comms: statuspage://payments else:
- action: "Check database/cache/queue"
runbook: rb://payments/diag-stack fallback:
- action: "Failover на PSP-B 70%"
guardrails: ["fraud_rate stable", "chargeback risk noted"]
rollback:
- condition: "PSP-A green 60m"
- steps:
- "Weight of PSP-A 30→70→80 (every 30 m at green SLI)"
evidence:
- "SLI screenshots, p95/5xx graphs, links to logs/trails"
completion:
- "success_ratio ≥98% during 30 m, no burn in 6 h"

10）完成的示例（片段）

A）付款： "提供商在一个地区退化"

症状：TR队列success_ratio减少，PSP-A计时器生长。
解决方桉：减轻TR的PSP-A重量，启用degrade-UX，加强预算≤ SLA的撤退，准备客户升级。
Backout：在绿色SLI 60分钟内恢复重量。

B）DB： "p99的增长和连接错误"

症状：p99↑、连接重置错误、等待事件上升。
解决方桉：包括仅读取脚本、限制写入负载、缩放池/复制副本,如有必要,可进行热捕获。

Backout： 参数回滚,副本.

C） Cash： "Rate小姐↑ → DB负载"

症状：miss rate> 40%, CPU DB升高。
解决方桉：平衡事件策略,增加内存/缓存,暂时启用读取,限制热键上的RPS。
Backout：带回政治，重新解决问题。

D） CDN： "区域内容退化"

症状：一个国家的滞后/定时上升，RUM投诉。
解决方桉：更改路线图/GSLB、绕过有问题的POP、降低TTL、启用起源盾。
Comms：具有影响力地理位置的地位。

E）KYC： "身份失败"

症状：approve率下降，vendor_error上升。
解决方桉：将部分流量切换到替代提供商,降低规则严格（作为策略的一部分）,为VIP启动手动审查。
Compliance：生成所有更改的日志,必要时发出风险通知/法律通知。

11）通讯（升级模板）

Impact: EU payment success drop (-3. 1% to SLO, 25 min).
Diagnosis: confirmed by quorum; PSP-A partial outage; p95 = 420ms.
Action: PSP-A weight reduced to 30%, degrade-UX included; next update 18:30 UTC.

12）花花公子作者的支票清单

• 指定了目标，所有者，SLO/SLI和触发器。
• 有症状表↔假设和决策树。
• 具有预期结果和安全门的可行步骤。
• 规定了背面/背面和退货条件。
• 更新通信和频率模板。
• 指向dashbords/alerta/log-search/traiss的链接。
• 强制性验收科和完成标准。
• 版本、日期、SLA新鲜度、变更历史。

13）审查员支票清单

• Playbook在tabletop/游戏日播放。
• 步骤是安全的（限制/金丝雀/自动回滚），秘密没有透露。
• 角色和升级是明确的；已指定IC/Comms。
• 与相邻的花花公子没有重复；给出了参数。
• 可以理解何时停止并切换到后卫/后卫。
• 该文档可从Alert到1 Click访问。

14）参数化和重新使用

将变量（区域、提供者、阈值）输出到"values."。
常见的步骤（例如"减轻提供商的重量"，"启用degrade-UX"）设计单独的运行手册。
支持模板生成器："plb new -type=INC -service=payments"。

15）实施路线图（4-6周）

1.页面清单→匹配每个基本花花公子。
2.模板：批准YAML/Markdown结构，支票单和林特。
3.前5种方案（付款/DB/CDN/KYC/缓存）→写入/回滚到tabletop。
4.集成：来自警报器的链接，团队的ChatOps，evidence机器人。
5.教学：每周迷你演习一次花花公子；AAR→uluchsheniya。
6.SLA新鲜和季度咆哮；质量指标报告。

16）结果

花花公子是带有叉子和栏杆的操作场景，可以将混乱"该怎么办？"转换为可预测的决策顺序。当花花公子标准化，与Alert集成并定期训练时，团队的反应更快，风险得到控制，业务看到运营的稳定性和成熟度。