واقعات کا انتظام
واقعات کا انتظام متاثرہ سروس کو جتنا محفوظ ہو اتنی تیزی سے بحال کرتا ہے، اور وہ چابک عادت جو اسے کام کے قابل بناتی ہے دباؤ میں واضح کردار ہیں، جن کے بعد الزام تراشی کے بغیر جائزہ ہر واقعے کو تبدیلی میں بدل دیتا ہے۔
یہ کیوں اہم ہے
واقعات وہ لمحہ ہیں جب سروس کو پرکھا جاتا ہے۔ صارفین اچھی دستیابی کے مہینے یاد نہیں رکھتے؛ وہ آؤٹیج اور اس کے سنبھالے جانے کو یاد رکھتے ہیں۔ جس ٹیم نے پہلے سے طے کر رکھا ہو کہ کون کیا کرے گا، کیسے بات چیت ہوگی، اور مدد کب مانگی جائے گی، وہ فوری انتظام کرنے والی ٹیم سے تیزی سے سروس بحال کرتی ہے اور کم غلطیاں کرتی ہے۔
جو چابک ٹیمیں اپنی بنائی چیز چلاتی ہیں وہ اکثر واقعات غیر رسمی طور پر سنبھالتی ہیں۔ یہ تب تک چلتا ہے جب تک واقعہ بڑا نہ ہو، کئی ٹیموں تک نہ پھیلے، یا رات کو نہ ہو۔ تب کرداروں اور ریکارڈ کی کمی ظاہر ہوتی ہے: انجینئر تکنیکی مسئلے پر ٹوٹ پڑتے ہیں، کوئی گاہکوں کو نہیں بتاتا، اور دو لوگ متضاد تبدیلیاں کرتے ہیں۔ واقعات کے انتظام کا ITSM عمل، سائٹ ریلائیبلٹی انجینئرنگ کے طریقوں کے ساتھ، اسے روکنے کے آزمودہ طریقے دیتا ہے۔
واقعات کے انتظام پر ویکیپیڈیا کا مضمون ہنگامی ردِعمل سے لے کر کمپیوٹر سکیورٹی تک کئی شعبوں کو ڈھانپتا ہے۔ آئی ٹی سروس کے انتظام کے لیے وہ کہتا ہے کہ مقصد معمول کی سروس کو متفقہ سروس کی سطح کے اندر جتنی جلد ممکن ہو بحال کرنا ہے، واقعے کی تعریف میں ITIL 2011 کا حوالہ دیتا ہے کہ یہ آئی ٹی سروس میں غیر منصوبہ بند خلل یا اس کے معیار میں کمی ہے، اور تین چیلنج گنواتا ہے: الرٹس کا شور، مسئلے کا لمبا حل، اور آؤٹیجز کی پیش گوئی کی مشکل۔ تفصیل کے لیے یہ موضوع Google کی کتاب Site Reliability Engineering کے دو ابواب پر بہت انحصار کرتا ہے، جو ایک بڑے ادارے کے عمل سے واقعے کی کمانڈ کا طریقہ اور الزام تراشی کے بغیر پوسٹ مارٹم بیان کرتے ہیں۔ ان ابواب کو ایک اچھی طرح دستاویزی طریقہ سمجھیں، واحد نہیں۔
بنیادی تصورات
واقعہ کیا ہے
واقعہ، ITSM کے استعمال میں، سروس میں غیر منصوبہ بند خلل یا اس کے معیار میں کمی ہے۔ ITSM کا مضمون "ممکنہ" خلل بھی شامل کرتا ہے۔ واقعہ مسئلے سے مختلف ہے، جو بنیادی وجہ ہے، اور سروس کی درخواست سے بھی، جو معمول کا مطالبہ ہے (دیکھیں موضوع 3.3 — مسائل کا انتظام اور موضوع 3.6 — سروس درخواستوں کا انتظام)۔ تینوں کو الگ رکھنا اہم ہے کیونکہ ہر ایک کا انتظام مختلف مقصد کے لیے ہوتا ہے: سروس بحال کرنا، وجوہات ہٹانا، اور معمول کی طلب پوری کرنا۔
مقصد: سروس بحال کرنا، شواہد محفوظ رکھنا
واقعات کے انتظام کا پہلا مقصد سروس بحال کرنا ہے۔ واقعات سنبھالنے پر SRE کا باب دوسرا شامل کرتا ہے: وہ شواہد محفوظ رکھنا جو بعد میں بنیادی وجہ تلاش کرنے کے لیے درکار ہوں۔ باب کے اپنے بہترین طریقے اسی روح میں کہتے ہیں کہ سروس بحال کرنے اور شواہد محفوظ رکھنے کو ترجیح دیں، اسی ترتیب میں۔ وجہ کی درستی بعد میں آ سکتی ہے، مسائل کے انتظام میں۔
غیر منظم واقعات کیوں بگڑتے ہیں
SRE کا باب، جسے Andrew Stribblehill نے لکھا، ایسے آن کال انجینئر کی طویل مثال برتتا ہے جس کی آؤٹیج مکمل ناکامی میں بدل جاتی ہے۔ وہ غیر منظم واقعات کے تین خطرات کا نام لیتا ہے:
- تکنیکی مسئلے پر تیز توجہ۔ درستی میں مگن انجینئر تخفیف اور وسیع تر تصویر سے نظر ہٹا لیتے ہیں۔
- ناقص ابلاغ۔ کسی کو معلوم نہیں دوسرے کیا کر رہے ہیں، اور اسٹیک ہولڈرز بے خبر رہتے ہیں۔
- فری لانسنگ۔ غیر مربوط تبدیلیاں، جیسے آخری لمحے کی تعیناتی، صورتِ حال کو بدتر کرتی ہیں۔
دباؤ میں کردار
باب اپنا طریقہ Incident Command System پر رکھتا ہے، جو ہنگامی ردِعمل سے آیا (واقعات کے انتظام پر ویکیپیڈیا کا مضمون بھی اس کا ذکر کرتا ہے)۔ اس کے اہم خیالات:
| کردار | یہ کیا کرتا ہے |
|---|---|
| واقعے کا کمانڈر | اعلیٰ سطح کی حالت سنبھالتا ہے، ردِعمل کو ترتیب دیتا ہے، رکاوٹیں ہٹاتا ہے، اور کوئی بھی ایسا کردار رکھتا ہے جو ابھی تفویض نہیں ہوا |
| آپریشنز لیڈ | مسئلے پر اوزار لگاتا ہے؛ واقعے کے دوران صرف آپریشنز ٹیم نظام میں تبدیلی کرتی ہے |
| کمیونیکیشنز لیڈ | ردِعمل کا عوامی چہرہ ہے؛ وقتاً فوقتاً اپ ڈیٹس جاری کرتا ہے اور واقعے کی دستاویز کو تازہ رکھتا ہے |
| پلاننگ لیڈ | طویل مدتی امور سنبھالتا ہے جیسے بگ درج کرنا، حوالگیوں کا انتظام، اور معمول سے انحراف کو ٹریک کرنا تاکہ تبدیلیاں واپس کی جا سکیں |
باب اصول کو ذمہ داریوں کی تکراری علیحدگی کہتا ہے۔ واضح کردار لوگوں کو خود مختاری دیتے ہیں، کیونکہ انہیں ساتھیوں پر شک نہیں کرنا پڑتا، اور بوجھ سے دبا شخص مزید عملہ مانگتا ہے اور کام کے حصے تفویض کرتا ہے۔ کمانڈروں کے درمیان حوالگیاں صریح اور تسلیم شدہ ہوتی ہیں۔
لائیو واقعے کی دستاویز
باب کہتا ہے کہ کمانڈر کا سب سے اہم فرض واقعے کی حالت کی لائیو دستاویز رکھنا ہے، مثالی طور پر ایسی جسے کئی لوگ ایک ساتھ ایڈٹ کر سکیں۔ وہ بے ترتیب ہو سکتی ہے مگر مفید رہنی چاہیے، کلیدی معلومات اوپر کے قریب، اور بعد کے تجزیے کے لیے محفوظ رکھی جاتی ہے۔ مشترکہ چینل یا طبعی کمرہ کمانڈ پوسٹ کا کام دیتا ہے۔
واقعہ کب اعلان کیا جائے
باب واقعے کا اعلان جلد کرنے کی سفارش کرتا ہے، بگڑتے مسئلے میں گھنٹوں بعد نہیں۔ وہ تجویز کرتا ہے کہ کسی واقعے کو واقعہ سمجھا جائے اگر اسے ٹھیک کرنے کے لیے دوسری ٹیم کو شامل کرنا پڑے، اگر آؤٹیج گاہکوں کو نظر آتی ہو، یا مرتکز تجزیے کے ایک گھنٹے بعد بھی حل نہ ہوئی ہو۔ یہ ایک ادارے کے اندازے کے اصول ہیں۔ آپ کی اپنی حدیں آپ کی سروسز اور صارفین کی عکاسی کریں۔
ترجیح اور شدت
اس گائیڈ کے لیے پڑھے گئے ماخذ ترجیح یا شدت کی سطحیں متعین نہیں کرتے، اور ویکیپیڈیا کا مضمون کوئی نہیں بتاتا۔ عملاً ٹیمیں سطحیں صارفین پر اثر اور ضرورت کی فوریت سے متعین کرتی ہیں، اور پہلے سے طے کرتی ہیں کہ ہر سطح پر کسے بلایا جائے۔ اسکیم مختصر رکھیں، مثالوں کے ساتھ، اور اسے ماضی کے واقعات پر لاگو کر کے جانچیں۔
ابلاغ
ابلاغ کے دو سامعین ہیں۔ جواب دینے والوں کو حالت اور یہ جاننا ہے کہ کون کیا کر رہا ہے۔ اسٹیک ہولڈرز اور صارفین کو جاننا ہے کہ کیا متاثر ہے، کیا کیا جا رہا ہے، اور اگلی اپ ڈیٹ کب متوقع ہے۔ SRE باب میں کمیونیکیشنز لیڈ دوسرے سامعین کی خدمت کرتا ہے اور پہلے کے لیے لاگ رکھتا ہے۔ عوام کو نظر آنے والی آؤٹیجز کے لیے بحران میں ابلاغ کا منصوبہ مفید ہے (نیچے بحران کے ابلاغ کی سکل دیکھیں)۔
الزام تراشی کے بغیر پوسٹ مارٹم
پوسٹ مارٹم کی ثقافت پر SRE کا باب سیکھنے کا نصف بیان کرتا ہے۔ پوسٹ مارٹم واقعہ، اس کا اثر، تخفیف، بنیادی وجوہات اور فالو اپ اقدامات ریکارڈ کرتا ہے۔ اس کے مقاصد واقعے کو دستاویز کرنا، تمام معاون بنیادی وجوہات سمجھنا، اور مؤثر روک تھام کے اقدامات کرنا ہیں۔ وہ الزام تراشی کے بغیر ہے: وہ افراد یا ٹیموں کو مورد الزام ٹھہرائے بغیر معاون وجوہات پہچانتا ہے، اور فرض کرتا ہے کہ ہر کسی نے "اچھی نیت سے وہ کیا جو اس کے پاس موجود معلومات میں درست تھا۔" باب کے الفاظ میں، "آپ لوگوں کو 'ٹھیک' نہیں کر سکتے، مگر نظاموں اور عملوں کو ٹھیک کر سکتے ہیں۔"
باب تجویز کرتا ہے کہ پوسٹ مارٹم کے محرکات پہلے سے متعین ہوں، جیسے حد سے زیادہ صارف کو نظر آنے والا ڈاؤن ٹائم، کسی بھی طرح کا ڈیٹا ضیاع، آن کال کی مداخلت جیسے رن بک واپسی، حد سے زیادہ حل کا وقت، یا نگرانی کی ناکامی۔ وہ یہ بھی کہتا ہے "بغیر جائزے کا پوسٹ مارٹم نہ ہونے کے برابر ہے،" اور اس لیے باقاعدہ جائزے کی نشستوں اور مشترکہ ذخیرے کی سفارش کرتا ہے۔ وہ ثقافت بنانے والی سرگرمیاں بیان کرتا ہے جیسے ماہانہ نیوز لیٹر، پڑھنے کے کلب، اور "Wheel of Misfortune" جس میں ماضی کے واقعات دوبارہ کھیلے جاتے ہیں۔
بڑے واقعات
بہت سے ITSM طریقے بڑے واقعے کو ایسا واقعہ متعین کرتے ہیں جسے معمول سے زیادہ رسمی ردِعمل چاہیے۔ یہاں پڑھے گئے ماخذ اسے متعین نہیں کرتے، اس لیے اپنے الفاظ میں کریں: مثلاً ایسا واقعہ جو بہت سے صارفین یا اہم سروس کو متاثر کرے اور ٹیموں کے آر پار مربوط ردِعمل چاہے۔ جو اہم ہے وہ یہ کہ لوگ پہلے سے جانیں کہ کیا بدلتا ہے: کمانڈ کون کرتا ہے، کسے بلایا جاتا ہے، اپ ڈیٹس کتنی بار جاتی ہیں۔
واقعات اور مسلسل ترسیل
واقعات اکثر حالیہ تبدیلیوں سے پیدا ہوتے ہیں۔ چابک ٹیمیں ان سے سیکھنے کی اچھی پوزیشن میں ہیں کیونکہ وہ اکثر ریلیز کرتی ہیں اور ان کے رائے کے دور مختصر ہیں۔ سیکھنے کو راستہ چاہیے: پوسٹ مارٹم کے اقدامات مالکوں اور تاریخوں کے ساتھ بیک لاگ میں جاتے ہیں، اور بار بار کے واقعات مسائل کے انتظام کو۔ اس راستے کے بغیر واقعات سنبھالنا مرمت کا معمول بن جاتا ہے۔
بہترین طریقے
- پہلے سے طے کریں کہ واقعہ کیا ہے۔ مثالوں کے ساتھ مختصر تعریف لکھیں، اور اعلان کرنے کی حد نیچی رکھیں۔ SRE باب کا اصول ہے کہ جلد اعلان کریں جب دوسری ٹیم درکار ہو، گاہک مسئلہ دیکھ سکیں، یا ایک گھنٹے کا تجزیہ حل نہ کر سکا ہو۔
- مثالوں کے ساتھ چند شدت کی سطحیں متعین کریں۔ انہیں صارفین پر اثر پر رکھیں، اور بتائیں کہ ہر سطح پر کسے بلایا جاتا ہے۔ اسکیم کو ماضی کے واقعات پر آزمائیں اور ایڈجسٹ کریں۔
- ہر واقعے کے آغاز میں کردار تفویض کریں۔ واقعے کا کمانڈر، آپریشنز لیڈ اور کمیونیکیشنز لیڈ نامزد کریں۔ چھوٹی ٹیموں میں ایک شخص ایک سے زیادہ کردار رکھ سکتا ہے؛ بلند آواز میں کہیں۔
- درستی کو ہم آہنگی سے الگ رکھیں۔ جو لوگ نظام بدل رہے ہیں وہ سوالوں کے جواب بھی نہ دیں۔ کمانڈر ہم آہنگی کرے اور کمیونیکیشنز لیڈ آگاہ کرے۔
- لائیو ریکارڈ رکھیں۔ ایک مشترکہ دستاویز یا چینل برتیں جس میں وقت کے نشان، فیصلے اور کی گئی تبدیلیاں ہوں۔ یہ حوالگیوں کو سہارا دیتا ہے اور پوسٹ مارٹم کو مواد دیتا ہے۔
- صرف مجاز تبدیلیوں کی اجازت دیں۔ SRE باب کہتا ہے کہ واقعے کے دوران صرف آپریشنز ٹیم نظام میں ترمیم کرے۔ بتائیں کہ کون کیا بدل سکتا ہے، اور دوسروں سے کمانڈر سے بات کرنے کو کہیں۔
- شیڈول کے مطابق ابلاغ کریں۔ ہر شدت کے لیے اپ ڈیٹ کا وقفہ طے کریں اور اس پر قائم رہیں، چاہے کچھ نیا نہ ہو۔ خاموشی فکر اور دہرائے جانے والے سوال پیدا کرتی ہے۔
- صریح حوالگی کریں۔ جب کمانڈر یا جواب دینے والا بدلا جائے تو بلند آواز میں کہیں اور دوسرے سے تسلیم کروائیں۔ غیر واضح حوالگیاں سیاق کھو دیتی ہیں۔
- مشق کریں۔ سنگین آؤٹیج سے پہلے کرداروں سے واقفیت کے لیے واقعات کا عمل چھوٹے واقعات اور مشقوں میں چلائیں۔ لوگوں کو کرداروں میں گھمائیں۔
- جب آپ کے محرکات پورے ہوں تو الزام تراشی کے بغیر پوسٹ مارٹم کریں۔ اسے شامل لوگوں کے ساتھ لکھیں، معاون وجوہات اور نظام کی درستیوں پر توجہ دیں، اور وسیع پیمانے پر بانٹیں (نیچے پوسٹ مارٹم کی سکل دیکھیں)۔
- اقدامات کو بیک لاگ کے آئٹمز بنائیں۔ ہر فالو اپ کو مالک اور تاریخ دیں، اور انہیں باقاعدہ میٹنگ میں دیکھیں۔ بغیر جائزے کا پوسٹ مارٹم کوئی تبدیلی نہیں لاتا۔
- شواہد مسائل کے انتظام کو دیں۔ بار بار کے واقعات کو مسئلے کے ریکارڈ سے جوڑیں، تاکہ وجوہات ہٹیں اور صرف مرمت نہ ہو (دیکھیں موضوع 3.3 — مسائل کا انتظام)۔
ٹیم کے ساتھ بحث کے سوالات
واقعے کے پہلے دس منٹ میں ہم کیا کرتے ہیں، اور کون فیصلہ کرتا ہے؟
آخری اہم واقعے کو منٹ بہ منٹ دیکھیں۔ نوٹ کریں کہ کس نے قیادت کی، کس نے ابلاغ کیا، اور کس نے کیا بدلا۔ بہت سی ٹیمیں پاتی ہیں کہ کردار طے نہیں بلکہ فرض کیے گئے تھے۔ سہولت کار پوچھ سکتا ہے کہ اگر معمول کا لیڈ غیر حاضر ہوتا تو کیا ہوتا۔ پھر اس پر متفق ہوں کہ اگلی بار کردار کیسے تفویض ہوں گے۔
ہم کب کسی چیز کو واقعہ کہتے ہیں، اور کب انتظار کرتے ہیں؟
دیر سے اعلان کیے گئے واقعات کی مثالیں جمع کریں۔ پوچھیں کہ لوگوں کو کس چیز نے روکا: دوسروں کو تنگ نہ کرنے کی خواہش، غیر یقینی، یا الزام کا ڈر۔ SRE باب کے محرکات سے موازنہ کریں۔ حد اور بغیر ہنگامے کے واقعے کا اعلان کرنے کے طریقے پر متفق ہوں۔
آؤٹیج کے دوران ہمارے صارفین کو کیسے پتا چلتا ہے کہ کیا ہو رہا ہے، اور کتنی بار؟
آخری آؤٹیج کو صارف کی طرف سے دیکھیں۔ پوچھیں کہ انہیں کس نے بتایا، کیا بتایا، اور خلا کتنا لمبا تھا۔ اکثر جواب لمبی خاموشی کے بعد مختصر نوٹ ہوتا ہے۔ پوچھیں کہ ابلاغ کا مالک کون ہو اور پہلا پیغام کیا کہے۔ سانچے اور اپ ڈیٹ کی تال پر متفق ہوں۔
ہمارے آخری پوسٹ مارٹم نے کیا بدلا، اور ہمیں کیسے پتا؟
اقدامات، مالک اور حیثیت مانگیں۔ اگر کوئی مکمل نہیں ہوا تو پوچھیں کیوں: مالک نہیں، وقت نہیں، یا قدر غیر واضح۔ جانیں کہ پوسٹ مارٹم ٹیم سے باہر کوئی پڑھتا ہے یا نہیں۔ کھلے اقدامات کا جائزہ لینے کے لیے باقاعدہ نشست پر متفق ہوں۔
کیا لوگ اپنی غلطیاں کہنے میں خود کو محفوظ محسوس کرتے ہیں؟
یہ سوال الزام تراشی سے پاک ہونے کو آزماتا ہے۔ لوگوں سے کہیں کہ بتائیں کہ پوسٹ مارٹم میں اپنی غلطی کے بارے میں لکھتے ہوئے انہیں کیسا لگے گا۔ نتائج کے خوف اور الزام لگنے کی مثالیں سنیں۔ کھلے پن کا مطالبہ نہ کریں؛ پوچھیں کہ ٹیم اور قائدین کو اسے محفوظ بنانے کے لیے کیا کرنا ہوگا۔ ایک نظر آنے والا قدم چنیں۔
ہم مشق کیسے کرتے ہیں، اور آخری بار کب کی؟
پوچھیں کہ ٹیم نے کبھی مشق یا فرضی واقعہ چلایا ہے اور اس نے کیا سیکھا۔ اگر کبھی نہیں، تو چھوٹے آغاز پر بات کریں، جیسے ایک گھنٹے میں ماضی کا واقعہ دہرانا۔ SRE باب معمول کی تبدیلیوں اور آفت کی بحالی کی مشقوں پر عمل کی مشق کا ذکر کرتا ہے۔ اگلی سہ ماہی کے لیے ایک کی منصوبہ بندی کریں۔
عملی مثال: چابک ITIL کی ایک مثال
ایک علاقائی بجلی کمپنی کا گاہک پورٹل گھرانوں کو آؤٹیجز رپورٹ کرنے اور بل دیکھنے دیتا ہے۔ گیارہ افراد کی ٹیم اسے بناتی اور چلاتی ہے، چار کی آن کال باری کے ساتھ۔ طوفان کے دوران رپورٹوں کا ٹریفک بڑھتا ہے، پورٹل سست ہوتا ہے، اور پھر ناکام ہو جاتا ہے۔ آن کال انجینئر ڈیٹا بیس ری اسٹارٹ کرتا ہے، دوسرا انجینئر ساتھ ہی کنفیگریشن کی درستی تعینات کرتا ہے، اور تیسرا پہلے کی ریلیز واپس لیتا ہے۔ پورٹل تین گھنٹے بعد واپس آتا ہے، اور کال سینٹر، جسے کبھی بتایا ہی نہ گیا، ہزاروں ناراض کالیں سنبھالتا ہے۔
پوسٹ مارٹم میں ٹیم SRE باب کے تین خطرات دیکھتی ہے: سب تکنیکی درستی پر مرکوز تھے، کسی نے ابلاغ نہیں کیا، اور تبدیلیاں ٹکرا گئیں۔ وہ ایک صفحے کا واقعے کا عمل لکھتے ہیں۔ کوئی بھی واقعے کا اعلان کر سکتا ہے، اور دوسری ٹیم کا شامل ہونا، گاہکوں کو نظر آنا، یا ایک گھنٹہ بغیر پیش رفت کا مطلب ہے کہ اعلان لازم ہے۔ آن کال انجینئر آپریشنز لیڈ بنتا ہے، اور باری وسیع ٹیم سے واقعے کے کمانڈر اور کمیونیکیشنز لیڈ کا نام لیتی ہے۔ پروڈکشن صرف آپریشنز لیڈ بدلتا ہے۔ کمیونیکیشنز لیڈ ہر 30 منٹ بعد کال سینٹر اور کنٹرول روم کو اپ ڈیٹ بھیجتا ہے۔ مشترکہ چینل میں لائیو لاگ رکھا جاتا ہے۔
اگلے طوفان میں پورٹل پھر سست ہوتا ہے، دس منٹ کے اندر واقعے کا اعلان ہو جاتا ہے، اور 70 منٹ میں سروس بحال ہو جاتی ہے، کال سینٹر کو پورے وقت اپ ڈیٹس جاتی رہتی ہیں۔ مسائل باقی ہیں۔ کمانڈر کی باری میں چھٹیوں پر خلا ہیں، اور ٹیم پاتی ہے کہ ایک انحصار، ٹیکسٹ میسج فراہم کنندہ، کا کوئی بالا رابطہ نہیں۔ پوسٹ مارٹم مالکوں کے ساتھ دو اقدامات پیدا کرتا ہے: باری کو متبادل کے ساتھ مکمل کرنا، اور فراہم کنندہ کے ساتھ بالا بھیجنے کا راستہ طے کرنا۔ ٹیم باری کے نئے ارکان کے لیے طوفان کے واقعے کے دہرائے جانے کا شیڈول بناتی ہے۔
چار نقطہ ہائے نظر
پروڈکٹ اور ڈیلیوری ٹیمیں
ڈیلیوری ٹیمیں بہت سے واقعات پیدا بھی کرتی ہیں اور ٹھیک بھی۔ آن کال باری میں شامل ہوں یا اسے براہِ راست سہارا دیں، اور پوسٹ مارٹم کے اقدامات کو بیک لاگ کے آئٹمز سمجھیں۔ اپنی ریلیزز میں مسائل کا پتا لگانے اور واپس لینے کے ذرائع بنائیں۔ مشقوں میں حصہ لیں تاکہ کردار مانوس ہوں۔
سروس اور آپریشنز ٹیمیں
آپریشنز ٹیمیں عمل کی مالک ہیں۔ اسے مختصر اور مشق شدہ رکھیں، لوگوں کو عمل کا اختیار دیں، اور ایسے ریکارڈ رکھیں جو دوسرے برت سکیں۔ جو سیکھتے ہیں ڈیلیوری ٹیموں کے ساتھ بانٹیں، اور اسباق مسائل کے انتظام اور منصوبہ بندی میں پہنچائیں۔
قیادت اور گورننس
قائدین ثقافت طے کرتے ہیں۔ پوسٹ مارٹم مانگیں اور انہیں پڑھیں، مسائل رپورٹ کرنے والوں کی تعریف کریں، اور کسی کو قصوروار ٹھہرانے کے لیے تلاش کرنے سے انکار کریں۔ مشق اور اقدامات مکمل کرنے کا وقت محفوظ رکھیں۔ طے کریں کہ کون پیسہ خرچ کر سکتا ہے یا ردِعمل کی بلند ترین سطح اپنا سکتا ہے۔
گاہک اور صارفین
گاہکوں اور صارفین کو بروقت، دیانت دار اپ ڈیٹس اور مسائل رپورٹ کرنے کا واضح طریقہ چاہیے۔ اپنے فراہم کنندہ سے پوچھیں کہ آؤٹیج کے دوران آپ کیا توقع رکھ سکتے ہیں اور آپ کو کیسے بتایا جائے گا۔ جب پوسٹ مارٹم آپ کے ساتھ بانٹا جائے تو اسے اس کے لیے پڑھیں جو فراہم کنندہ بدلے گا۔
ناکامی کی عام صورتیں
- کوئی کردار نہیں۔ ہر کوئی تکنیکی درستی پر کام کرتا ہے اور کوئی ہم آہنگی یا ابلاغ نہیں کرتا۔ اس کے بجائے ہر بار واقعے کا کمانڈر، آپریشنز لیڈ اور کمیونیکیشنز لیڈ نامزد کریں۔
- دیر سے اعلان۔ لوگ مسئلے کے بگڑنے تک انتظار کرتے ہیں۔ اس کے بجائے نیچی، واضح حدیں مقرر کریں اور اعلان کو معمول بنائیں۔
- فری لانسنگ۔ کئی لوگ بیک وقت نظام بدلتے ہیں۔ اس کے بجائے تبدیلیاں صرف آپریشنز لیڈ کے ذریعے ہونے دیں۔
- خاموشی۔ صارفین اور اسٹیک ہولڈرز کچھ نہیں سنتے۔ اس کے بجائے اپ ڈیٹ کا وقفہ اور سانچہ طے کریں۔
- الزام۔ پوسٹ مارٹم قصوروار شخص ڈھونڈتا ہے۔ اس کے بجائے پوچھیں کہ نظام میں کس چیز نے غلطی ہونے دی اور اسے ٹھیک کریں۔
- پوسٹ مارٹم جو کہیں نہیں جاتے۔ اقدامات کا کوئی مالک نہیں۔ اس کے بجائے انہیں تاریخوں کے ساتھ بیک لاگ میں رکھیں اور باقاعدگی سے جائزہ لیں۔
- کبھی مشق نہ کرنا۔ عمل پہلی بار بڑے واقعے میں برتا جاتا ہے۔ اس کے بجائے چھوٹے واقعات اور مشقوں میں ریہرسل کریں۔
- مرمت کو حل سمجھنا۔ وہی واقعہ لوٹتا ہے۔ اس کے بجائے بار بار کے واقعات کو مسائل کے انتظام سے جوڑیں اور وجہ ٹھیک کریں۔
پختگی کا ماڈل
| پہلو | آغاز | ترقی | معیار بندی | انتظام | ہم آہنگی |
|---|---|---|---|---|---|
| شناخت اور اعلان | واقعات صارفین کی شکایات سے نوٹس ہوتے ہیں | کچھ الرٹس موجود ہیں اور کچھ واقعات کا اعلان ہوتا ہے | لکھی ہوئی حدیں اور سادہ شدت کی اسکیم مستقل مزاجی سے برتی جاتی ہے | شناخت اور اعلان کا وقت ٹریک اور گھٹایا جاتا ہے | شناخت اور اعلان ٹیموں اور فراہم کنندگان میں بانٹے جاتے ہیں |
| ردِعمل اور کردار | جواب دینے والے فی البدیہہ کام کرتے ہیں | کچھ ٹیمیں لیڈ نامزد کرتی ہیں | کردار، حوالگیاں اور لائیو ریکارڈ معیاری ہیں | ردِعمل کے اوقات اور کرداروں کی کارکردگی کا جائزہ لیا جاتا ہے | ردِعمل ٹیموں اور فراہم کنندگان میں مشترکہ مشقوں کے ساتھ مربوط ہے |
| ابلاغ | اپ ڈیٹس ایڈہاک ہیں | کچھ اپ ڈیٹس کچھ سامعین کو جاتی ہیں | ہر شدت کے لیے اپ ڈیٹ کی تال اور سانچے موجود ہیں | ابلاغ کی بروقتی ناپی جاتی ہے اور صارفین سے پوچھا جاتا ہے | ابلاغ گاہکوں اور شراکت داروں کے ساتھ مربوط ہے |
| سیکھنا | جائزے صرف بدترین واقعات کے بعد ہوتے ہیں | کچھ پوسٹ مارٹم لکھے جاتے ہیں | متعین محرکات کے بعد الزام تراشی کے بغیر پوسٹ مارٹم ہوتے ہیں، اقدامات ٹریک ہوتے ہیں | اقدامات کی تکمیل اور تکرار ناپی جاتی ہے | اسباق ٹیموں میں بانٹے جاتے ہیں اور ادارہ گیر تبدیلی کو آگاہ کرتے ہیں |
جانچ فہرست
- ہمارے پاس مثالوں کے ساتھ واقعے کی مختصر تعریف ہے۔
- ہمارے پاس صارفین پر اثر کی مثالوں اور کال لسٹوں کے ساتھ چھوٹی شدت کی اسکیم ہے۔
- ہر واقعہ واقعے کے کمانڈر، آپریشنز لیڈ اور کمیونیکیشنز لیڈ کے نام سے شروع ہوتا ہے۔
- ہر واقعے کے لیے لائیو ریکارڈ رکھا جاتا ہے۔
- واقعے کے دوران صرف نامزد آپریشنز لیڈ پروڈکشن بدلتا ہے۔
- ہر شدت کے لیے اپ ڈیٹ کے وقفے طے ہیں۔
- پوسٹ مارٹم کے محرکات لکھے ہوئے ہیں۔
- پوسٹ مارٹم الزام تراشی کے بغیر، بانٹے ہوئے اور جائزہ شدہ ہیں۔
- ہر پوسٹ مارٹم کے اقدام کا مالک اور تاریخ ہے، اور کھلے اقدامات کا جائزہ ہوتا ہے۔
- ہم نے پچھلے چھ مہینوں میں عمل کی مشق کی ہے۔
اے آئی پرامپٹس
مقصد: اپنے موجودہ طریقے سے ایک صفحے کا واقعے کا عمل تیار کرنا۔
Help me draft a one-page incident process for a team of [number] people who run [service].
How we handle incidents today: [describe in a few sentences].
Our on-call arrangement: [describe].
Who needs to be told during an incident: [list audiences].
Rules we must follow (contracts, regulations), with source text if you have it: [paste, or write "none known"].
Produce a short process with: what counts as an incident, a simple severity scheme with user-impact examples (leave numeric thresholds as [to be agreed]), the roles and what each does, how to communicate, and when to hold a postmortem. Mark every item that is an assumption. Do not invent obligations. Ask clarifying questions first, and list what you are unsure of.
مقصد: واقعے کے لاگ کو الزام تراشی کے بغیر پوسٹ مارٹم کے مسودے میں بدلنا۔
Below is the log of an incident: [paste timestamps, messages, and actions; remove personal data].
Impact as we know it: [describe users affected and for how long, using only facts].
Draft a blameless postmortem with: summary, impact, timeline, how it was detected, how it was mitigated, contributing causes (separate known from suspected), what went well, what went badly, and proposed actions with a suggested type (prevent, detect, respond) but no owners or dates. Describe actions of people neutrally, as roles. Do not invent facts or causes. Mark gaps with [UNKNOWN], and list what you are unsure of.
مقصد: غیر تکنیکی اسٹیک ہولڈرز کے لیے واقعے کی حالت کی اپ ڈیٹ لکھنا۔
Write a status update for stakeholders who are not technical about this incident.
Facts: what is affected: [describe]; since when: [time]; what we know about the cause: [what is known, or "not yet known"]; what we are doing: [describe]; when the next update will come: [time].
Write under 120 words in plain language. State what we know and what we do not, without guessing at the cause or the time of recovery. Do not promise a resolution time unless I gave one. Offer two versions: one for customers and one for internal staff. List what you are unsure of.
مقصد: واقعے کی چھوٹی مشق ڈیزائن کرنا۔
Design a 60-minute incident exercise for [number] people who run [service].
Scenario basis: [describe a past incident or a plausible failure, using only facts you want to use].
Roles to practice: incident commander, operations lead, communications lead.
Constraints: [for example no use of production systems].
Give a timed plan: briefing, the scenario released in three stages, prompts for each role, and a short review with questions on roles, communication, and records. Do not use real production access. Ask clarifying questions first if information is missing, mark assumptions, and list what you are unsure of.
اے آئی سکلز
- incident-response-plan: ایسا منصوبہ لکھنے کے لیے استعمال کریں جو آپ کی ٹیم کے کردار، حدیں اور ابلاغ طے کرے۔
- postmortem: واقعے کے بعد الزام تراشی کے بغیر جائزہ لینے اور اقدامات ریکارڈ کرنے کے لیے استعمال کریں۔
- runbook: معلوم درستیوں کو جواب دینے والے کے لیے مختصر طریقۂ کار میں بدلنے کے لیے استعمال کریں۔
- on-call-rotation: متبادل اور حوالگیوں کے ساتھ منصفانہ باری ڈیزائن کرنے کے لیے استعمال کریں۔
- crisis-communication-plan: بڑی آؤٹیج کے دوران صارفین، عملے اور عوام کو کیا بتانا ہے، اس کی منصوبہ بندی کے لیے استعمال کریں۔
اہم ماخذ
- Managing Incidents (Andrew Stribblehill، Site Reliability Engineering میں، Google، sre.google): سروس ٹیموں کے لیے واقعے کی کمانڈ کا سب سے واضح عوامی بیان۔
- Postmortem Culture: Learning from Failure (Site Reliability Engineering، Google، sre.google): الزام تراشی کے بغیر پوسٹ مارٹم کا مقدمہ، محرکات اور ثقافت بنانے کے خیالات کے ساتھ۔
- Incident management (Wikipedia): آئی ٹی سروس کے انتظام کے حصے کے ساتھ کئی شعبوں کا جائزہ۔
- IT service management (Wikipedia): واقعے کی تعریف اور سروس ڈیسک میں واقعات سنبھالنے کا مقام۔
حوالہ جات
- Managing Incidents — Andrew Stribblehill, Google SRE book, sre.google — https://sre.google/sre-book/managing-incidents/
- Postmortem Culture: Learning from Failure — Google SRE book, sre.google — https://sre.google/sre-book/postmortem-culture/
- Incident management — Wikipedia — https://en.wikipedia.org/wiki/Incident_management
- IT service management — Wikipedia — https://en.wikipedia.org/wiki/IT_service_management
- Incident Command System — Wikipedia — https://en.wikipedia.org/wiki/Incident_Command_System
- Root cause analysis — Wikipedia — https://en.wikipedia.org/wiki/Root_cause_analysis
- Site reliability engineering — Wikipedia — https://en.wikipedia.org/wiki/Site_reliability_engineering
- ITIL — Wikipedia — https://en.wikipedia.org/wiki/ITIL
- Computer security incident management — Wikipedia — https://en.wikipedia.org/wiki/Computer_security_incident_management