[SEV] संक्षिप्त विवरण और तिथि
1) सिद्धांत और संस्कृति
ब्लैमलेस। त्रुटि सिस्टम की एक गुण है, एक व्यक्ति नहीं। हम "ऐसा क्यों हुआ" की तलाश कर रहे हैं, न कि "किसे दोष देना है।"
तथ्य और अपरिवर्तनीय। कोई भी आउटपुट समयरेखा, एसएलओ, निशान और लॉग पर आधारित हैं।
कंपनी के भीतर प्रचार। संबंधित टीमों के लिए योग और पाठ उपलब्ध हैं।
प्रोटोकॉल की तुलना में क्रियाएं अधिक महत्वपूर्ण हैं। अपरिवर्तित दस्तावेज़ ≡ समय खो गया।
त्वरित प्रकाशन। ड्राफ्ट पोस्टमॉर्टम - घटना के 48-72 घंटे के भीतर।
2) वर्गीकरण और घटना मानदंड
गंभीरता (एसईवी):- SEV1 - पूर्ण दुर्गमता/धन/डेटा की हानि;
- SEV2 - महत्वपूर्ण गिरावट (त्रुटियां> SLO, p99 बाहर);
- SEV3 - आंशिक गिरावट/वर्कअराउंड मौजूद है।
- प्रभाव: प्रभावित क्षेत्र/किरायेदार/उत्पाद, अवधि, व्यवसाय मैट्रिक्स (रूपांतरण, जीएमवी, भुगतान विफलता)।
- SLO/गलत बजट: कितना बजट समाप्त हो गया है, यह रिलीज और प्रयोगों की गति को कैसे प्रभावित करता है।
3) हादसा भूमिका और प्रक्रिया
हादसा कमांडर (आईसी): प्रक्रिया का प्रबंधन करता है, चरणों को प्राथमिकता देता है, मालिकों को असाइन करता है।
संचार लीड: एक टेम्पलेट पर हितधारकों/ग्राहकों को सूचित करता है।
ऑप्स/ऑन-कॉल: परिसमापन, क्रियाओं को कम करना।
स्क्रिप्ट: समयरेखा और कलाकृतियों को बनाए रखता है।
विषय पदार्थ विशेषज्ञ (एसएमई): गहरे निदान।
चरण: पता लगाना → वृद्धि → स्थिरीकरण → सत्यापन → बहाली → पोस्टमॉर्टी → सुधारों की शुरूआत।
4) पोस्टमॉर्टम टेम्पलेट (संरचना)
5) RCA Techniques (Root Cause Search)
5 Why - sequential clarification of causes to the system level.
Ishikawa (fish bone) - factors "People/Processes/Tools/Materials/Environment/Dimensions."
Event-Chain/Ripple - a chain of events with probabilities and triggers.
Barrier Analysis - which "fuses" (timeouts, breakers, quotas, tests) were supposed to stop the incident and why they did not work.
Change Correlation - correlation with releases, config digs, feature flags, provider incidents.
Practice: Avoid "root cause = person/one bug." Look for a system combination (debt + lack of guard rails + irrelevant runbooks).
6) Communications and transparency
Internal: single channel (war-room), short updates according to the template: status → actions → ETA of the next update.
External: status page/newsletter with facts without "guilt," with apologies and an action plan.
Sensitivity: do not disclose PD/secrets; legal wording to be agreed.
After the incident: a summary note with human language and a link to a technical report.
External update template (brief):
"31 Oct 2025, 13:40 UTC - some users encountered payment errors (up to 18 minutes). The reason is the degradation of the dependent service. We turned on bypass mode and restored operation at 13:58 UTC. Apologies. Within 72 hours, we will publish a report with actions to prevent recurrence"
7) Actions and implementation management
Each action is owner, deadline, acceptance criteria, risk and priority relationship.
Action classes:
1. Engineering: timeout budgets, jitter retreats, breakers, bulkheads, backprescher, stability/chaos tests.
2. Observability: SLI/SLO, alert guards, saturation, traces, steady-state dashboards.
3. Process: runbook update, on-call workouts, game day, CI gates, bipartisan review for risky changes.
4. Architecture: cache with coalescing, outbox/saga, idempotency, limiters/shading.
Gates: releases fail unless "post-mortem critical actions" are closed (Policy as Code).
Verification: retest (chaos/load) confirms the elimination of the risk.
8) Integration of feedback
Sources:
Telemetry: p99/p99 tails. 9, error-rate, queue depth, CDC lag, retray budget.
VoC/Support: topics of calls, CSAT/NPS, churn signals, "pain points."
Product/Analytics: user behavior, failure/friction, drop-off in funnels.
Partners/Integrators: webhook failures, contract incompatibility, SLA timing.
Signal → decision loop:
1. The signal is classified (severity/cost/frequency).
2. An architectural ticket is created with a hypothesis and the price of the problem.
3. Falls into the engineering portfolio (quarterly/monthly), ranked by ROI and risk.
4. Execute → measure effect → update SLI/SLO/cost baselines.
9) Post-mortem maturity metrics
% postmortems published ≤ 72 h (target ≥ 90%).
Average "lead time" from incident to closure of key actions.
Reopen rate of actions (quality of DoD formulations).
Repeated incidents for the same reason (target → 0).
Proportion of incidents caught by guards (breaker/limiter/timeouts) vs "breakthrough."
Saturation of dashboards (SLI covering critical paths) and "noise" of alerts.
Share of game-day/chaos scenarios that simulate detected failure classes.
10) Example of postmortem (summary)
Event: SEV2. Payment API: up p99 to 1. 8s, 3% 5xx, 31 Oct 2025 (13:22–13:58 UTC).
Impact: 12% of payment attempts with retrays, part - cancellation. Erroneous budget q4: − 7%.
Root Cause: "slow success" of currency dependence (p95 + 400 ms), retrai without jitter → cascade.
Barrier failure: the breaker is configured only for 5xx, not for timeouts; there was no rate-cap for low priority.
What worked: hand shading and stale-rates feature flag.
Actions:
Enter timeout budget and jitter retrays (DoD: p99 <400 ms at + 300 ms to dependency).
Breaker for "slow success" and fallback stale data ≤ 15 minutes.
Update runbook "slow dependency," add chaos script.
Add dashboard "served-stale share" and alert at> 10%.
Enter release-gate: without passing chaos-smoke - prohibit release.
11) Artifact patterns
11. 1 Timeline (example)
13: 22:10 अलर्ट p99> 800 मीटर (गेटवे)
13: 24:00 IC सौंपा गया, युद्ध-कक्ष खुला
13: 27:30 मुद्रा-एपी "धीमी सफलता" की पहचान की गई
13: 30:15 फिचा-फ्लैग स्टेल-रेट्स ऑन (10% ट्रैफिक)
13: 41:00 बासी-दरें 100%, p99 290ms स्थिर
13: 52:40 गेटवे तक रिट्रीस को सीमित करना
13: 58:00 हादसा बंद, 30 मिनट की निगरानी
11. 2 Solutions and Validation (DoD)
समाधान: ब्रेकर सक्षम करें (slow_success)
DoD: अराजकता स्क्रिप्ट "+ 300ms टू करेंसी" - p99 <450ms, error_rate <0। 5%, stale_share <12%
11. 3 Policy "gate" (check)
deny_release यदि कोई हो (postmortem_action। स्थिति! = "पूरा" और कार्रवाई। ["महत्वपूर्ण"] में गंभीरता)
12) एंटी-पैटर्न
"चुड़ैल का शिकार" और सजा - गलतियों को छिपाना, संकेतों का नुकसान।
प्रोटोकॉल के लिए प्रोटोकॉल: कार्रवाई/मालिकों/समय सीमा के बिना लंबे दस्तावेज।
सिस्टम कारकों के बिना OCA स्तर "कोड में बग"।
बेसलाइन को रिटेस्ट किए बिना और अपडेट किए बिना घटना को बंद करना।
कंपनी के भीतर प्रचार की कमी: अन्य टीमों पर समान गलतियों को दोहराना।
समर्थन/भागीदारों और "अदृश्य" गिरावट (धीमी सफलता) से प्रतिक्रिया को नजरअंदाज करना।
सारांश "सब कुछ तय किया, आगे बढ़ रहा है" - वास्तुकला/प्रक्रियाओं में कोई बदलाव नहीं।
13) आर्किटेक्ट चेकलिस्ट
1. क्या आपके पास एक एकल पोस्टमॉर्टम टेम्पलेट और एसएलए प्रकाशन ≤ 72 घंटे है?
2. क्या भूमिकाएं (IC, Comms, Scribe, SME) स्वचालित रूप से सौंपी गई हैं?
3. समयरेखा टेलीमेट्री (ट्रेल्स/मेट्रिक्स/लॉग्स) और रिलीज/फ्लैग लेबल पर आधारित हैं?
4. आरसीए विधियों को व्यवस्थित रूप से लागू किया जाता है (5 क्यों, इशिकावा, बैरियर)?
5. जोखिम और रिलीज़ गेट्स से जुड़े कार्यों के मालिक, समय सीमा और DoD हैं?
6. क्या घटना रनबुक/xaoc स्क्रिप्ट/अलर्ट को अद्यतन करती है?
7. अंतर्निहित वीओसी/सहायता चैनल, क्या "शीर्ष दर्द" की नियमित समीक्षा है?
8. क्या कोई गलत बजट रिलीज और प्रयोगों की नीति को प्रभावित करता है?
9. क्या परिपक्वता मैट्रिक्स ट्रैक किए गए हैं (समय-से-पोस्टमॉर्टम, फिर से खोलने की दर, दोहराव)?
10. खोज के साथ सार्वजनिक अंतर-टीम विश्लेषण और ज्ञान आधार उपलब्ध हैं
निष्कर्ष
पोस्टमॉर्टम और फीडबैक एक आर्किटेक्चर लर्निंग तंत्र है। जब दोष-मुक्त पार्सिंग, कार्यों का औसत दर्जे का प्रभाव और उत्पादन से संकेतों का एकीकरण आदर्श बन जाता है, तो सिस्टम हर हफ्ते अधिक स्थिर, तेज और स्पष्ट हो जाता है। तथ्य दिखाई देते हैं, कार्रवाई अनिवार्य है, और ज्ञान सुलभ है, और घटनाएं आपके मंच के विकास के लिए ईंधन बन जाती हैं।