SLO 定義與錯誤預算政策範本(SLO & Error Budget Policy Template)

SLO 定義與錯誤預算政策範本(SLO & Error Budget Policy) 參照標準:Google SRE Book/SRE Workbook(SLO、Error Budget、Multiwindow Multi-burn-rate Alerts) 文件用途:定義服務的 SLI、SLO 與錯誤預算,並約定預算耗盡時的處理方式 適用階段:設計階段定義,上線前完成告警,每季檢討 範本版本:v2.0(2026-10-06)|對應《軟體開發標準程序教學手冊》v2.0 第 10.2 節 📋 章節目錄 服務與使用者旅程 SLI 定義 SLO 與錯誤預算 錯誤預算政策 審查與驗證 1. 服務與使用者旅程 📝 範本 項目 內容 服務名稱 {名稱} 關鍵使用者旅程 {使用者最在意的 2–3 件事} SLO 擁有者 {團隊/負責人} 相關 SLA {對客戶的合約承諾,若有} 📖 使用說明 SLO 從「使用者感受」出發,不是從伺服器指標出發 SLO 應比 SLA 嚴格,保留緩衝 💡 範例 項目 內容 服務名稱 HRMS API 關鍵使用者旅程 1. 打卡;2. 請假申請;3. 薪資單查詢 SLO 擁有者 HRMS 開發部(SRE 窗口:張) 相關 SLA 內部服務,無對外 SLA;對 HR 部門承諾每月可用率 99.5% 2. SLI 定義 📝 範本 SLI 好事件定義 總事件定義 量測位置 PromQL(比例) {名稱} {條件} {條件} {負載平衡器/應用程式/合成監控} {查詢式} 📖 使用說明 SLI 寫成「好事件 ÷ 總事件」,結果介於 0 與 1 指標名稱必須與實際 instrumentation 相符,並在 Prometheus 確認查得到資料 💡 範例 SLI 好事件定義 總事件定義 量測位置 PromQL(比例) 可用性 回應狀態非 5xx 所有請求 應用程式(Micrometer) 1 - (sum(rate(http_server_requests_seconds_count{job="hrms-api",status=~"5.."}[30d])) / sum(rate(http_server_requests_seconds_count{job="hrms-api"}[30d]))) 延遲 回應時間 ≤ 300 ms 所有請求 應用程式(histogram) sum(rate(http_server_requests_seconds_bucket{job="hrms-api",le="0.3"}[30d])) / sum(rate(http_server_requests_seconds_count{job="hrms-api"}[30d])) 延遲 SLI 的 le="0.3" 必須是 histogram 實際存在的 bucket 邊界;Spring Boot 可用 management.metrics.distribution.slo.http.server.requests=300ms 加入此邊界。 ...

October 6, 2026 · 2 min · 356 words · Eric Cheng

知識交接檢核範本(Knowledge Transfer Checklist Template)

知識交接檢核範本(Knowledge Transfer Checklist) 參照標準:ISO/IEC 20000-1:2018(服務移轉)/ ITIL 4 Knowledge Management 文件用途:確保人員異動、專案移交維運時,文件、知識、權限與實作能力都完整交接 適用階段:專案結案(G4)、人員異動、委外移轉 範本版本:v2.0(2026-10-06)|對應《軟體開發標準程序教學手冊》v2.0 第 11.2、2.4(G4)節 📋 章節目錄 交接基本資訊 文件與系統知識 權限交接 實際演練 審查與驗證 1. 交接基本資訊 📝 範本 項目 內容 交接範圍 {系統/模組} 交出方 {姓名、角色} 接手方 {姓名、角色} 交接期間 {開始日}~{完成日} 見證人 {主管或維運主管} 📖 使用說明 交接期間建議至少兩週,涵蓋一次部署與一次例行維運作業 見證人負責確認演練結果 💡 範例 項目 內容 交接範圍 HRMS 請假模組 交出方 開發 Tech Lead 王 接手方 維運工程師 張、林 交接期間 2026-10-13~2026-10-24 見證人 維運主管 吳 2. 文件與系統知識 📝 範本 # 項目 位置 已說明 接手方確認 1 {文件或知識} {連結} {☐/☑} {☐/☑} 📖 使用說明 「已說明」由交出方勾選,「接手方確認」由接手方在能自行回答相關問題後才勾選 必含:README、架構(SAD/ADR)、Runbook、監控與告警、已知問題與技術債 💡 範例 # 項目 位置 已說明 接手方確認 1 README 與本機建置 Repository 根目錄 ☑ ☑ 2 架構與 ADR(0001–0007) docs/decisions/ ☑ ☑ 3 Runbook(6 個告警的處理) Wiki|HRMS Runbook ☑ ☐ 4 已知問題:AD 同步偶發逾時 Runbook 附錄 ☑ ☑ 5 技術債清單 Jira 篩選器「HRMS 技術債」 ☑ ☑ 3. 權限交接 📝 範本 系統 接手方已取得 交出方已移除或降級 個人金鑰/Token 已輪換 {系統} {☐/☑} {☐/☑/不適用} {☐/☑/不適用} 📖 使用說明 權限採最小權限原則,依接手方的職責申請 交出方離開職務時,其權限與個人持有的金鑰/Token 必須移除或輪換 💡 範例 系統 接手方已取得 交出方已移除或降級 個人金鑰/Token 已輪換 Git Repository(維護者) ☑ 降級為 Developer 不適用 Kubernetes(hrms-prod namespace) ☑ ☑ ☑(個人 kubeconfig 憑證已撤銷) PagerDuty 值班 ☑ ☑ 不適用 Vault(hrms/* 路徑) ☑ ☑ ☑ 4. 實際演練 📝 範本 演練項目 執行者(接手方) 日期 結果 見證人 {演練} {姓名} {日期} {成功/需補強:說明} {姓名} 📖 使用說明 演練必須由接手方獨立完成,交出方只能在旁觀察 至少包含:一次部署、一次告警處理(可用模擬告警)、一次回滾演練 💡 範例 演練項目 執行者 日期 結果 見證人 部署 v2.4.1 至 UAT 張 2026-10-16 成功(12 分鐘) 吳 處理模擬告警 HRMSErrorBudgetFastBurn 林 2026-10-20 需補強:未依 Runbook 先確認最近部署 吳 回滾演練(預生產) 張 2026-10-22 成功(6 分鐘) 吳 5. 審查與驗證 本節供審查者使用,也用來檢查 AI 依本範本產出的交接紀錄是否正確。 ...

October 6, 2026 · 2 min · 258 words · Eric Cheng

事件報告與根因分析範本(Incident Report & RCA Template)

事件報告與根因分析範本(Incident Report & Root Cause Analysis) 參照標準:ITIL 4(Incident Management & Problem Management)/ ISO/IEC 20000-1:2018 / SRE Postmortem 文件用途:記錄生產環境事件、分析根本原因、制定改善行動,防止問題再次發生 適用階段:維運監控階段(Operations Phase)— Continuous Improvement 範本版本:v2.0(2026-10-06)|對應《軟體開發標準程序教學手冊》v2.0 第 10.3、12.1 節 📋 章節目錄 事件摘要 時間軸 影響評估 根因分析 解決方案 改善行動計畫 經驗教訓 附錄 審查與驗證 1. 事件摘要 📝 範本 項目 內容 事件編號 INC-{YYYYMMDD}-{序號} 事件標題 {一句話描述事件} 嚴重等級 SEV1(Critical)/ SEV2(Major)/ SEV3(Minor)/ SEV4(Low) 事件狀態 調查中 / 已解決 / 已關閉 發生時間 {YYYY-MM-DD HH:MM} (UTC+8) 偵測時間 {YYYY-MM-DD HH:MM} 解決時間 {YYYY-MM-DD HH:MM} 事件持續時間 {N} 分鐘/小時 MTTD {偵測時間 - 發生時間} MTTR(恢復時間) {服務恢復時間 - 發生時間} 是否由部署造成 {是:部署 ID/commit SHA(計入 DORA 失敗部署復原時間與變更失敗率)/ 否} 是否為資安事件 {是:已通知資安單位,並判斷法定通報義務 / 否} 受影響系統 {系統/服務名稱} 受影響使用者 {人數/比例} 事件負責人 {Incident Commander} 報告撰寫者 {姓名} 報告日期 {YYYY-MM-DD} 📖 使用說明 嚴重等級定義: SEV1:核心業務完全中斷,影響全部使用者 SEV2:核心功能嚴重降級,影響大部分使用者 SEV3:非核心功能異常,影響部分使用者 SEV4:輕微異常,幾乎不影響使用者 MTTD(Mean Time To Detect):衡量監控能力 MTTR(Mean Time To Restore):從事件發生到服務恢復的時間,衡量恢復能力;若由部署造成,同時計入 DORA 的「失敗部署復原時間」 資安事件:涉及個資外洩或系統遭入侵時,另有法定通報義務與時限(資通安全管理法、個人資料保護法),必須依公司資安事件應變程序處理 事件報告需在事件解決後 3-5 個工作日 內完成 Blameless 原則:報告聚焦系統與流程改善,不歸咎個人 💡 範例 項目 內容 事件編號 INC-20260520-001 事件標題 HRMS 薪資查詢 API 持續回傳 500 Error 嚴重等級 SEV2(核心功能嚴重降級) 發生時間 2026-05-20 10:15 偵測時間 2026-05-20 10:18(Grafana 告警) 解決時間 2026-05-20 10:28(回滾完成) 事件持續時間 13 分鐘 MTTD 3 分鐘 MTTR(恢復時間) 13 分鐘(10:15 發生 → 10:28 恢復) 是否由部署造成 是(v2.1.0 部署造成;計入 DORA 變更失敗率與失敗部署復原時間) 是否為資安事件 否 受影響使用者 ~200 人(薪資查詢功能不可用) 事件負責人 張 SRE 2. 時間軸 📝 範本 時間 (UTC+8) 事件 執行者 備註 {HH:MM} {發生/偵測/行動/解決} {人員} {補充說明} 📖 使用說明 時間軸是事件報告最有價值的部分,需精確到分鐘 涵蓋:事件發生 → 偵測 → 通知 → 診斷 → 緩解 → 解決 → 驗證 資料來源:監控日誌、Slack 訊息時間戳、告警記錄 時間軸讓團隊復盤流程效率,找出可改善的環節 💡 範例 時間 (UTC+8) 事件 執行者 備註 10:12 v2.1.0 部署完成,新版上線 DevOps 林 K8s Green deployment 完成 10:15 薪資計算排程 CronJob 啟動(與 API 衝突) System 排程被新設定觸發 10:15 DB Lock 衝突開始,API 回應逾時 System PostgreSQL row-level lock 10:18 Grafana 告警:5xx rate > 5% Alert System #hrms-alerts 頻道 10:19 SRE 張確認告警,開始調查 SRE 張 檢查 Pod 日誌 10:21 確認問題:DB Lock contention SRE 張 pg_stat_activity 發現 lock wait 10:23 聯繫 Tech Lead 決策:啟動回滾 SRE 張 → Tech Lead 王 Slack 通訊 10:24 Tech Lead 確認回滾,授權執行 Tech Lead 王 10:25 開始執行回滾腳本 SRE 張 ./rollback-hrms-v2.1.0.sh 10:27 流量切換至 v2.0.3 完成 SRE 張 Blue deployment 10:28 健康檢查通過,冒煙測試通過 SRE 張 + QA 陳 服務恢復 10:30 通知團隊:服務已恢復 SRE 張 Slack + Email 10:45 通知受影響使用者:服務已恢復 PM 林 系統公告 3. 影響評估 📝 範本 3.1 業務影響 影響維度 評估 受影響功能 {功能清單} 受影響使用者數 {人數/比例} 收入損失 {金額/無法計量} 資料損失 {是/否,描述} SLA 違反 {是/否,影響 SLA 指標} 信譽影響 {高/中/低} 3.2 技術影響 影響維度 評估 受影響服務 {服務清單} 相依服務影響 {是否連鎖影響} 資料一致性 {是否受影響} 安全性影響 {是否有安全疑慮} 📖 使用說明 影響評估用於確認嚴重等級是否正確、作為改善優先級依據 業務影響由 PM/產品團隊提供;技術影響由工程團隊評估 SLA 違反需記錄,可能涉及客戶賠償或內部 KPI 💡 範例 3.1 業務影響 影響維度 評估 受影響功能 薪資查詢、薪資條下載 受影響使用者數 ~200 人(嘗試查詢薪資的員工) 收入損失 無直接收入損失(內部系統) 資料損失 無 SLA 違反 否(SLA 99.5% 月度,本月仍在 SLA 內) 信譽影響 低(事件持續 13 分鐘,非上班尖峰) 4. 根因分析 📝 範本 4.1 根本原因 Root Cause Statement: ...

May 18, 2026 · 5 min · 1011 words · Eric Cheng

標準作業程序範本(SOP Template)

標準作業程序範本(Standard Operating Procedure, SOP) 參照標準:ISO 9001:2015(Quality Management)/ ISO/IEC 20000-1:2018 / ITIL 4 文件用途:標準化維運操作流程,確保操作一致性、降低人為錯誤、加速新人上手 適用階段:維運監控階段(Operations Phase)— Operational Excellence 範本版本:v2.0(2026-10-06)|對應《軟體開發標準程序教學手冊》v2.0 第 10.1、11.2 節 📋 章節目錄 文件資訊 目的與範圍 角色與職責 前置條件 操作步驟 驗證與確認 異常處理 安全注意事項 相關文件 變更歷史 審查與驗證 1. 文件資訊 📝 範本 項目 內容 文件編號 SOP-{類別代碼}-{序號} 文件名稱 {操作名稱} 標準作業程序 版本 v{主版本}.{次版本} 狀態 草稿 / 審核中 / 核定 / 作廢 建立日期 {YYYY-MM-DD} 生效日期 {YYYY-MM-DD} 下次審核日期 {YYYY-MM-DD}(至少每年) 撰寫者 {姓名/角色} 審核者 {姓名/角色} 核准者 {姓名/角色} 適用系統 {系統/服務名稱} 機密等級 一般 / 限閱 / 機密 📖 使用說明 SOP 編號慣例:SOP-{類別}-{流水號} 類別代碼範例:DEP(部署)、INC(事件處理)、BAK(備份)、MON(監控) 每份 SOP 需定期審核(ISO 9001 要求),避免過時 狀態管理:草稿 → 審核中 → 核定(可執行)→ 作廢(新版取代) 機密等級決定誰可以存取此 SOP 💡 範例 項目 內容 文件編號 SOP-BAK-001 文件名稱 HRMS 資料庫每日備份標準作業程序 版本 v2.0 生效日期 2026-05-01 下次審核日期 2027-05-01 適用系統 HRMS PostgreSQL 16 (Azure Database) 2. 目的與範圍 📝 範本 2.1 目的 {說明此 SOP 為何存在、解決什麼問題} ...

May 18, 2026 · 5 min · 977 words · Eric Cheng