课堂讲事件管理时,我没有从“系统彻底打不开”讲起,而是问大家:业务没有中断,服务质量已经下降的场景有哪些?
卡顿比较容易想到。性能变差,用户马上会有感觉。更容易漏掉的,是用户暂时没有感觉、服务保障却已经退化的状态。
例如 RAID 5 阵列损坏一块硬盘,数据仍然完整,业务也能继续。用户看到的页面没有变化,工单系统里甚至可能没有一条投诉。但原有冗余已经消失,再损坏一块盘,后果会完全不同。
我的判断是,这时不能等“真的不能用”才登记事件。服务已经失去一部分约定的可靠性,风险窗口正在打开。

事件定义里本来就有“质量下降”
ITIL 5 对事件的正式定义,是服务的意外中断或服务质量的下降。教材把它放在运营活动中,与事态相邻说明:事态是对服务或其他配置项管理具有重大意义的状态变化;事件则意味着服务已经中断或质量下降。
监控发现“一块磁盘离线”首先是一项事态。结合服务设计和当前架构,我们确认该磁盘故障使冗余能力下降,它就不再只是需要观察的状态信息,而应进入事件管理,安排恢复并按业务风险确定优先级。
这里的质量不只指页面速度和用户感受。ITIL 5 在运营活动中要求维持和监测数字化产品及支持系统,使它们保持性能与可靠性,并符合连续性、安全、证书和许可证等要求。课堂上我把服务保障展开为可用性、性能与容量、连续性和安全等方面。任何一项偏离约定,都可能构成质量下降。
所以,“还能不能登录”只是事件识别的一部分。服务按什么状态被设计和承诺,才是判断基准。
RAID 故障为什么不能只做一条告警
回到 RAID 5。正常状态下,阵列允许一块硬盘故障而不丢失数据,这是架构提供的冗余能力。第一块盘损坏后,系统还能运行,恰好说明冗余发挥了作用;也同时说明这份保障已经被消耗。
如果监控平台只把它作为普通告警挂在仪表盘上,没有负责人、优先级和恢复目标,团队可能等到例行巡检或用户空闲时才处理。此时阵列重建所需的新硬盘是否在库、重建期间是否增加负载、备份是否可用,都没有进入正式管理。
作为事件处理,至少会发生几件事:记录受影响的配置项和服务,判断业务影响与当前风险,安排更换故障盘,必要时发起紧急变更,监测阵列重建,并在恢复冗余后验证服务状态。用户未感知,不代表恢复动作不需要管理。
这类事件的优先级也不能只按“当前用户人数”计算。当前影响可能低,风险却在持续。一旦第二块盘失效,影响会突然放大。优先级模型应允许连续性和风险指标进入判断,而不是只能填写“多少用户已经不能工作”。
同样的退化,还会藏在其他保障里
课堂中我还提到几个小例子,它们帮助我们检查监控盲区。
负载均衡后的三台服务器离线一台,流量自动转给剩余节点。用户可能只感觉稍慢,也可能完全无感,但容量余量和高可用能力已经降低。
备份任务持续失败,生产系统照常运行。用户不会问今天有没有备份,连续性保障却已经失效。远程容灾环境无法恢复或容灾服务器发生硬件故障,也属于同一类问题。
抗 DDoS 清洗设备故障后自动旁路,主业务仍可访问,安全防护已经下降。一旦攻击到来,服务会直接暴露。
这些例子不需要在同一张工单里混管。它们共同说明,监控对象不应只有业务功能,也要覆盖支撑功能持续运行的保障措施。每项关键服务需要定义自己的退化条件。
只有“在线/离线”的监控,看不见服务质量
不少监控平台非常擅长告诉我们主机活着、端口可连、页面返回 200。这样的指标必要,却回答不了服务是否仍按设计运行。
对 RAID 场景,平台要采集磁盘与阵列状态;对集群,要知道健康节点数量和剩余容量;对备份与容灾,要监测最近成功时间、恢复验证和复制延迟;对安全设备,要区分正常串行、防护降级和旁路状态。
指标采集以后,还要建立从事态到事件的规则。什么变化只记录,什么状态需要自动创建事件,持续多久升级,关联哪个服务,通知谁,多久未恢复需要扩大响应。没有这层规则,告警再多也只是噪声。
AI 可以在这里发挥实际作用。它能够把指标、日志、拓扑、近期变更和历史事件关联起来,识别“一台节点离线”对不同服务的含义,也可以合并重复告警、准备影响摘要、建议诊断步骤。
AI 不能自行发明服务承诺。同样少一台服务器,对一个仍有充足余量的测试服务,和对已经接近容量上限的关键交易服务,响应应当不同。阈值、服务关系、风险容忍度和升级责任要由组织预先定义,并通过运行反馈修订。
没有用户投诉,也要有事件入口
传统服务台常以用户报障为主要入口。隐性退化更多来自监测和事态管理,监控平台应能够创建或触发事件,并带上配置项、指标、时间、拓扑与可能影响。
自动创建工单也要防止泛滥。一个底层组件异常可能触发几十条告警,AI 或事件关联规则应将它们归并到一个主事件,保留证据关系。否则工程师的时间都花在关闭重复记录上。
事件进入流程后,恢复目标要对应退化性质。高可用、连续性和安全保障失效,有时需要在用户感知前尽快处理;若修复动作本身可能影响生产,则要与变更支持配合,准备窗口和回退。事件说明为什么要恢复,变更控制修复动作怎样安全实施,两者不能互相替代。
关闭时也不应只检查“页面仍能打开”。RAID 已恢复正常冗余、集群节点和容量回到标准、备份完成并可验证恢复、安全设备重新进入防护路径,才算质量恢复。
为每项关键服务定义退化条件
管理者可以挑一项关键服务,和应用、基础设施、安全、连续性与服务级别负责人一起做一次检查。
先写功能正常之外的服务条件:响应时间与容量余量,可用节点和冗余状态,备份、复制与恢复能力,安全控制和证书状态。再确定每项条件的数据来源、正常区间、退化阈值和责任人。
随后把状态分为需要记录的事态、应自动登记的事件,以及必须升级的高风险事件。用过去的真实监控数据回放,检查规则会不会漏掉隐性退化,也会不会制造大量无行动意义的告警。
最后看 AI 和自动化能做哪一步:采集与关联、初步分类、生成工单、执行标准诊断,还是在预授权条件下完成修复。每向前一步,都要有停止条件和人工接管人。
系统没有宕机,只说明最表面的功能还在。那块已经损坏的 RAID 硬盘提醒我们,用户暂时无感可能正是架构保护仍在生效的最后一段时间。把这段时间当作事件管理的机会,往往比等第二个故障发生后再抢修更有价值。
关于深圳艾拓先锋
深圳艾拓先锋为 PeopleCert 授权 ATO 认证培训机构,具备 ITIL Foundation(Version 5)官方培训资质。我们深耕 ITIL、IT 服务管理与数字化服务管理,聚焦 ITIL 5 原生 AI 治理、AI 智能体管控与 6C 模型落地,提供体系化企业内训与咨询服务。
本文出自《深圳艾拓先锋第四期 ITIL Foundation(Version 5)培训课后系列分享:长河老师知识要点与实践心得三十六讲》。 如需系统学习融合 AI 治理视角的 ITIL 5 认证培训、企业内训或 IT 服务管理咨询,可访问深圳艾拓先锋官网课程页面,也可前往 PeopleCert 官网
https://www.peoplecert.org/ways-to-get-certified/ato/shenzhen-aito-xianfeng-enterprise-management-consul-172763核验授权资质。 咨询渠道:400 热线 400-806-0230,微信:18027379316
上一篇:第11讲:深圳艾拓先锋第四期 ITIL Foundation(Version 5)培训课后系列分享:企业架构和 CMDB 不是一回事——一个管系统之间,一个管系统里面
下一篇:第13讲:深圳艾拓先锋第四期 ITIL Foundation(Version 5)培训课后系列分享:事件还是服务请求?“IT 有没有过错”为什么好用但需校准
返回导读: