演练失败往往不是设备问题
从复盘结果看，存储容灾演练的问题大多不在设备能力，而在三个地方：准备不充分，例如复制积压未清零、演练数据量远小于生产；流程不完整，例如只演练去程切换、只验证存储层；记录与闭环缺失，例如问题清单不跟踪、改进项没有责任人与期限。按准备、执行、验证、闭环四段归类，比简单归因为某次操作失误更有助于找到可复现的改进点。
问题分类
| 准备阶段 | 复制积压未清零、演练数据量与生产差距过大 |
|---|---|
| 执行阶段 | 手册与实际界面不一致，步骤与当前版本不符 |
| 验证阶段 | 只验证存储切换，未覆盖应用、批处理与周边系统 |
| 闭环阶段 | 问题清单不跟踪，改进项缺少责任人与期限 |
| 环境类 | 演练环境与生产共用资源，相互影响 |
| 组织类 | 分工不清、决策链路长，耗时超出计划窗口 |
典型使用场景
- 演练结束后复盘归类问题，判断缺陷属于流程还是能力
- 首次演练就超出窗口时，定位是步骤问题还是资源与数据量问题
- 多次演练出现同类问题时，检查闭环机制是否形同虚设
- 演练前自查，把已知高发问题作为前置检查项逐条确认
- 向上汇报时说明改进方向，用分类结果代替笼统的加强管理
- 交接演练资产时，把历史问题清单作为新团队的起点参考
常见问题与改进
| 常见问题 | 根因 | 改进方向 |
|---|---|---|
| 演练超时被迫中止 | 数据量小于生产但步骤未减少，耗时估算失真 | 按接近生产的数据量测算，并预留追平时间 |
| 切换后出现数据差异 | 起点带积压，未确认复制归零 | 把积压清零设为演练强制前置条件 |
| 界面与手册不一致 | 手册长期未随版本更新 | 每次变更后修订手册并指定维护人 |
| 应用起不来 | 只验证存储层，未覆盖应用与周边 | 采用分层验证清单，纳入周边系统 |
| 问题反复出现 | 缺少问题跟踪与责任人机制 | 建立问题清单闭环与复验安排 |
| 影响到生产 | 演练环境与生产资源未隔离 | 明确隔离边界或使用独立演练环境 |
复盘提问顺序
复盘提问顺序
# 一、起点是否干净：复制方向正确、积压为零、数据量与生产可比
# 二、判据是否明确：每一步能否客观判断通过还是失败
# 三、验证是否覆盖全链：基础设施、数据、应用、功能、周边与性能
# 四、回退是否可用：触发条件是否明确，回退动作是否实际演练过
# 五、问题是否闭环：是否有清单、责任人、期限与复验方式
# 归类原则：先按阶段归类，再判断是流程问题还是能力缺口演练数据量与真实业务量差距过大，是最容易被低估的问题来源。步骤数不会因为数据量小而减少，但同步、切换与恢复的耗时会被明显低估，据此得出的 RTO 结论无法代表真实故障下的表现。如果确实无法使用全量数据，至少应记录数据量与实测耗时的对应关系，并在结论中明确这一偏差。