How We Handled a Real-World Network Outage

当时监控系统先发现了异常指标，我们的运维人员第一时间确认不是机房内部设备问题，而是某条上游路径不稳定。随后马上进行流量调整，把受影响方向的流量切换到备用路径。

这个过程对大部分客户来说，可能只感觉到一小段时间的波动，甚至很多人根本没有察觉发生过什么。

后续我们并没有就此结束，而是继续和上游确认问题根源，并重新评估该方向的长期路径策略，避免类似问题再次出现。

很多用户以为，故障处理就是“修好就行了”，但在我们内部，其实更重要的是复盘和优化。如果每次出问题都只是应急处理，那同样的事情迟早还会再来一次。

 

真正的稳定，并不是不出事，而是每出一次事，系统都会比之前更稳一点。