Sự cố và postmortem

Bài toán

Nhiều bước ngoặt kiến trúc trong wiki bắt đầu từ một sự cố: Netflix lên cloud sau 3 ngày không gửi được DVD, Twitter viết lại hệ thống sau World Cup 2010, Instagram đi nhiều data center sau trận bão 2012. Trang này gom các sự cố và postmortem để trả lời ba câu:

• sự cố lớn thường có cấu trúc gì;
• vì sao khôi phục thường khó hơn dự kiến;
• tổ chức học được gì và đổi kiến trúc ra sao.

Phần thiết kế để chịu lỗi (zone, region, bulkhead) nằm ở Độ tin cậy và multi-region; phần giới hạn thiệt hại khi deploy nằm ở Deploy và release an toàn; quy trình, vai trò và tổ chức trực (ai được gọi, ai chỉ huy) nằm ở Xử lý sự cố và on-call.