OPS07-BP04 根据行动手册调查问题
行动手册是用于调查意外事件的分步指南。发生意外事件时，行动手册用于开展调查，以及确定影响的范围和根本原因。行动手册可用于从失败的部署到安全事件的各种场景。在许多情况下，行动手册可确定根本原因，而运行手册可用来缓解其带来的风险。行动手册是贵组织事件响应计划的必要组成部分。
出色的行动手册有几个主要特点。它逐步指导用户完成事件发现过程。由外而内地思考，用户应执行哪些步骤来诊断意外事件？ 如果行动手册中需要特殊工具或提升的权限，请在行动手册中明确地定义。请制定沟通计划，以向利益相关者提供有关调查状态的最新信息，这是事件响应计划的一个重要组成部分。在无法确定根本原因的情况下，行动手册应制定上报计划。如果确定了根本原因，行动手册应指出介绍如何解决根本原因的运行手册。应集中存储并定期维护行动手册。如果行动手册用于特定提醒，请向团队提供关于提醒中的行动手册的提示。
随着组织日趋成熟，可自动实施行动手册。从包含低风险意外事件的行动手册开始实施。使用脚本自动执行发现步骤。确保有配套的运行手册来缓解常见根本原因带来的风险。
期望结果：贵组织有针对常见意外事件的行动手册。行动手册集中存储在一个位置，可供团队成员使用。行动手册经常进行更新。对于任何已知的根本原因，将制定配套的运行手册。
常见反面模式：
-
要调查意外事件，并没有标准方法。
-
团队成员依靠肌肉记忆或对机构的了解，对失败的部署进行排查。
-
新的团队成员将学习如何通过试错法来调查问题。
-
调查问题的最佳实践无法在不同团队之间共享。
建立此最佳实践的好处：
-
行动手册有助于您减轻意外事件带来的影响。
-
不同的团队成员可使用同一行动手册，以一致的方式确定根本原因。
-
可以针对已知的根本原因制定运行手册，从而加快恢复速度。
-
团队成员根据行动手册能够更快地开始行动。
-
团队可以使用可重复的行动手册来扩展其流程。
在未建立这种最佳实践的情况下暴露的风险等级：中等
实施指导
制定和使用行动手册的方式取决于组织的成熟度。如果您是初次使用云，请在中央文档存储库中以文本形式制定行动手册。随着组织日趋成熟，可以使用 Python 等脚本语言实现行动手册的半自动化。可以在 Jupyter notebook 中运行这些脚本来加快发现速度。先进的组织已针对可通过运行手册自动修正的常见问题，制定完全自动化的行动手册。
通过列出工作负载所发生的常见意外事件，开始制定行动手册。为风险较低且根本原因范围已缩小到几个问题的意外事件选择行动手册。在为较简单的场景制定行动手册后，可以着手处理风险较高的场景或根本原因尚不确定的场景。
随着贵组织日趋成熟，您的文本样式的行动手册应实现自动化。使用 AWS Systems Manager Automation 之类的服务，可以将纯文本转换为自动化代码。可以针对工作负载运行这些自动化代码，从而加快调查速度。可以激活这些自动化代码以响应事件，从而减少发现和解决意外事件所需的平均时间。
客户可以使用 AWS Systems Manager Incident Manager 来响应意外事件。此服务提供了单一界面对事件进行分类，在发现和缓解问题期间通知利益相关者，并在整个意外事件中进行协作。此服务使用 AWS Systems Manager Automation 加快检测和恢复的速度。
客户示例
生产意外事件影响了 AnyCompany Retail。随时待命的工程师根据行动手册调查了问题。随着他们逐步地解决问题，他们不断为行动手册中确定的关键利益相关者提供最新信息。工程师最终确定，根本原因是后端服务中出现竞态条件。根据运行手册，工程师重新启动了该服务，并使 AnyCompany Retail 重新联机。
实施步骤
如果您当前没有文档存储库，建议您为行动手册库创建版本控制存储库。您可以使用 Markdown 制定您的行动手册，该服务兼容大多数行动手册自动化系统。如果您从头开始制定行动手册，请使用以下行动手册示例模板。
# Playbook Title ## Playbook Info | Playbook ID | Description | Tools Used | Special Permissions | Playbook Author | Last Updated | Escalation POC | Stakeholders | Communication Plan | |-------|-------|-------|-------|-------|-------|-------|-------|-------| | RUN001 | What is this playbook for? What incident is it used for? | Tools | Permissions | Your Name | 2022-09-21 | Escalation Name | Stakeholder Name | How will updates be communicated during the investigation? | ## Steps 1. Step one 2. Step two
-
如果您当前没有文档存储库或 Wiki，请在版本控制系统中为行动手册创建一个新的版本控制存储库。
-
确定需要调查的一个常见问题。这应该是根本原因范围限于几个问题且解决方案风险较低的场景。
-
利用 Markdown 模板，填写“行动手册书名”部分，并填写“行动手册信息”下的字段。
-
填写问题排查步骤。尽可能清楚地知道要采取哪些行动，或者应调查哪些方面。
-
将行动手册提供给团队成员，让他们仔细阅读并加以验证。如果发现有遗漏之处或某些内容不清楚，请更新行动手册。
-
在文档存储库中发布您的行动手册，并告知您的团队和任何利益相关者。
-
随着您添加更多的行动手册，这个行动手册库将会不断扩大。在您拥有多个行动手册后，可以开始使用 AWS Systems Manager Automation 等工具自动执行它们，从而使自动化操作和行动手册保持同步。
实施计划的工作量级别：低。行动手册应该是集中存储在一个位置的文本文档。对于更加成熟的组织，将转为自动实施行动手册。
资源
相关最佳实践：
相关文档：
相关视频：
相关示例：
相关服务：
