troubleshooting 是找到問題發生的根源並將其解決更正的過程，troubleshooting 的目標就是使設備 / 系統回到正常的工作狀態。
因為很多系統，特別是 IT 系統或者一些電力系統、通訊系統，都是 7×24 小時不間斷運行的。如果一旦發生故障，就要求我們運維人員很快的發現故障，然後用快速和經濟的辦法去把這個故障解決掉。比如醫院有些支撐手術的系統，一旦故障如果不能很快解決的話，甚至會威脅到病人的生命安全。所以 troubleshooting 對我們運維人員來說是一項非常重要的技能和技術要求。
不僅在工作中需要做 troubleshooting，生活中也會遇到。前段時間我跟著朋友在玩王者榮耀，就遇到了一個故障。每天晚上玩這個遊戲大概 8、9 點鐘就遇到打著打著網絡質量變差，操作變得很卡。我很苦惱，作為一個運維人員，或者一個技術人員的本能，我就想網絡是什麼問題？怎麼把它解決掉？所以我就做了一次 troubleshooting 的過程。我對家裡所有的無線網絡，聯通的寬帶做了一些測試，嘗試對無線路由器做了配置優化，最後定位到是我們家和鄰居附近 2.4G 信道太擁擠了，幹擾太嚴重，所以晚高峰的時候大家都有上網需求，會互相干擾。後來我把信道切換到 5G，世界就清靜了，可以安心打遊戲了。
後來我就思考，有沒有非常科學和規範的流程或方法，按照這個方法一步步做下來，就可以解決任何故障或問題？儘管問題多種多樣，實際問題解決的方式也是多種多樣，對於具體場景和問題，可以制定特定的問題解決流程。在具體的工作中，大家有做 SA 的，也有做網絡的，也有做 DBA 的，每一個特定的方向都會有一些跟專業和問題場景相關的 troubleshooting 方法。
對於通用的問題，是否會有通用的解決方法和解決步驟可以遵循呢？
這是 《troubleshooting and maintaining cisco IP network》 這本書的作者總結的一套相對一個通用的方法。他把 troubleshooting 整個過程分成了 7 個步驟，從定義問題，到收集線索和信息，到分析、假設、排除可能性，最終可以把問題解決掉。
在一些複雜的系統或複雜問題的 troubleshooting 中，我們可以按照這個解決方法的流程對問題去做一些抽象和定義，然後一步一步來解決。
在這個標準流程和方法之外，我們可能會遇到一些相對簡單或者更直觀的問題，可以使用一些具體的策略和小技巧來更快速的 troubleshooting。
我們經常會遇到電視按了開關怎麼沒反應？電腦怎麼開不了了？這個問題有非常大的可能性是電源沒插，或者停電了。從這個事情引申出來，任何系統運行都需要一些必要的前提條件，或者叫先決條件。在系統或服務發生異常的時候，需要回過頭來了解一下這個系統有哪些依賴關係，有哪些先決的條件，這些條件是不是之前是存在和正常的，現在條件不滿足了，所以發生了一些故障。
比如說摩託車在行駛過程中不走了，是不是沒油了？在一些非常成熟或者產品化做得非常好的產品，比如說 iphone 手機，它的用戶手冊裡會列出正常運行的條件，以及要遠離哪些條件，比如高溫、低溫等，會做一個非常明確的定義。
但是在一些自研系統的運維過程中，這些系統往往文檔和說明並不是特別完善，所以先決條件需要根據系統的異常或者問題去做一些排查，另外也需要跟研發人員，或者是設計人員做一些深入的溝通，找到系統的一些先決條件，然後作為一個排查的線索去進行排查。這是第一個很基本的 troubleshooting 方法。每一個人都解決過類似的問題，大多數的問題往往是很普通的原因造成的，而我們的經驗和直覺可以幫助解決。
我們進入下一個問題解決的策略，大家都有裝過電腦的經驗嗎？一套計算機系統有很多部件，比如 CPU、內存、電源、機箱、顯示器、光碟機、滑鼠、音響、網卡，等等。我們在裝機的時候並不是需要一次性全部裝好，往往是把電源，主板、CPU、內存裝好後，就可以試試這套系統能不能正常工作。如果這個系統能亮，說明這套系統最重要的部件是 OK 的。所以從 troubleshooting 的角度，在做故障定位的時候，可以嘗試把一個非常複雜，功能和組件非常多的系統，精簡到最基本的系統，測試沒問題後，再一件一件把其他的系統組件加進來，這樣就可以事半功倍的把這個問題找到並解決掉。
另外一個跟第一種場景類似，系統經過長時間的運行，工作狀態不正常了，一般怎麼解決呢？重啟一下。在我之前的前東家有一條不成文的規則，重要的系統在節假日前做排查，如果超過多少天沒有重啟，就會安排一次計劃中的重啟，來避免系統長時間的運行導致的異常的狀態。
所以可以用一些重啟的方案來把故障恢復到系統初始的狀態，把這個故障解決掉，這是一個非常強有力的一個故障解決方法。當然，重啟前需要考慮預期外的後果，比如可能啟動失敗會導致更差的後果。除了重啟，還可以重裝 / 重建系統，從默認或正常工作的系統複製一個副本出來。
當我們通過一些分析定位發現，故障可能發生在某個子系統或者某幾個模塊之內，有什麼辦法能夠很快的定位問題呢？可以嘗試去更換其中一個部件，然後測試下。使用這個方法，可以通過排查一步一步精確定位到故障點，然後去解決。這為我們以後遇到類似的問題提供了寶貴的經驗。在使用這個方法的過程中，需要注意，每次只更換一個組件，測試完成後如果需要更換其他部件，首先要講之前更改的恢復原狀。否則可能會因為變更導致出現多個問題，影響和幹擾問題的解決。
troubleshooting 既是一門科學，也是藝術。除此之外，還可以嘗試復現問題、更改啟動和配置順序等等方法，在實踐中根據時間、資源、場景情況和限制，選擇最適合的策略，完成 troubleshooting。Happy troubleshooting！
作者介紹滕傳永，美團雲架構師。先後在百度和 eBay 從事系統和服務運維工作，工作涉及基礎服務運維，大規模系統部署和優化，虛擬化等。12 年加入美團，負責運維工作，主要集中在基礎服務運維，數據中心和網絡建設，雲計算環境建設和運維等方面。