故障保障

一出错就重启，为什么还复发？

新疆尼娅面包厂的生产查询系统最近一出错，管理员就重启服务。每次重启后都能恢复，因此大家一直这样处理。直到同样的问题在一个月内出现了3次复发，周厂长才发现员工已经花了不少时间等待。

张婷把3次故障时间、系统状态和操作记录归集到一起。单看每一次，都像偶发卡顿；放在一起却发现，故障都出现在每天大量订单汇总之后，而且磁盘临时空间都会迅速增加。

过去的处理只完成了“恢复”，没有继续追“为什么会停”。重启清空了部分临时状态，所以表面恢复正常，同时也把继续观察根因的线索一起忽略了。

张婷抓住“故障记录”这个关键链接点。以后先记录时间、现象和关键状态，再恢复服务；随后根据连续三次记录追到产生大量临时文件的处理任务，调整清理方式并设置空间预警。

系统不再靠一次次重启维持运行。3次复发留下的共同特征被连接起来以后，反复占用员工和生产等待时间的根因被真正处理掉。