构建可用的 GPU 事故档案

在提出原因之前先描述影响

给出一句可观察的描述：某些作业不再产生输出、已授权的访问被拒绝，或者某个导出无法再被读取。说明受影响的范围以及哪些部分仍在正常工作。当只有一条输出路径失败时，「服务器宕机」很快就会变成一个过于宽泛的结论。用互斥的类别统计已接受、未完成和未启动的结果。

指定一名协调负责人和一名获授权可介入的人员。Google SRE 事故管理指南区分了协调、运维和沟通。在小型团队中，一个人可以担任多个角色，但每个人都必须知道由谁决策。设定下一次内部信息同步的时间点；这一安排不产生供应商任何有保证的响应时限。

记录最后一次已知正常的状况、第一个症状以及两者之间发生的变更。给出时区以及每个时间的来源：日志、直接观察或待确认的记忆。从截图中复制的时间未必与应用日志处于同一参考基准。如果缺少某个时间界限，请保留不确定的区间，而不要凭空编造一个精确的分钟数。

对于每项操作，记录执行者、范围、目标和结果。如果不知道涉及哪个进程以及症状是否发生变化，「已重启」就是不完整的。将观察、假设和决策分开保留。这种分离将有助于重建真正起作用的措施，并避免多人同时尝试互不兼容的补救办法。

在虚构的“海滨地图”单元中，需要交付二十份文档。十四项输出已打开并被接受，四项作业报告写入被拒，两项尚待启动。因此有六项结果尚不可交付，但若宣称丢失了二十项结果则是错误的。本示例不描述任何真实事件或 Capordia 服务器。

以下时间线促使我们请求对输出路径进行有针对性的检查。它尚未证明原因：时间上接近的变更可能与症状相关，但并不能解释它。团队保留已接受的十四项输出，仅暂停相关的新提交。时间为虚构，且属于同一时区，该时区的选择是为了避免阅读上的歧义。

寻找能保留症状和同一条相关路径的最小输入：文件类型、目标位置、技术身份或设置。尽可能用合成数据替换业务内容。如果替换后错误消失，请记录这一局限。不要把一条不再经过可疑环节的简化命令当作忠实复现。

按可验证的假设逐步进行。Google SRE 的故障排查章节建议采用能够区分各种原因的测试，并提醒插桩或试验本身可能影响系统。因此，负面结果也要像成功一样仔细记录。避免反复重跑会发布输出或加重存储负担的处理；负责人首先确定允许试验的范围。

交接材料包含有用的版本、最小复现步骤、时间、确切的错误信息以及症状前后的日志摘录。如果有助于对应排查，请附上任务标识和所涉工单编号。如果没人需要靠其余日志来理解情况，就将其排除。请将原始文件保存在团队允许的范围内。

OWASP 提醒，日志不得暴露密码、访问令牌或密钥等内容。还要检查可能泄露项目信息的路径、文件名和参数。使用一致的替换，如 PROJET_A，同时保留诊断所需的结构。脱敏证据应说明移除了什么；它既不应修改关键错误消息，也不应使重要条件消失。

以影响和具体问题开启请求：检查访问被拒、确认分配的一项属性，或帮助定位可复现的偏差。附上时间线和脱敏的复现步骤。说明已尝试的操作、未产生任何变化的操作以及应避免的操作。收件人应能知道期望什么，而无需翻找一堆没有说明的截图。

在示例中，请求可以是：“新使用的输出路径在处理身份下拒绝写入；请检查适用于该路径的权限。十四项输出仍然有效；四项作业报告了写入被拒，且该拒绝已用虚构输入复现。”该文本不指控 GPU 或任何操作员。它陈述已知情况，并在检查之前保留原因的开放性。

不再复现的错误并不总是足够。请以相同的身份、相同的决定性条件和重新核对的目标，验证一次完整的结果。随后检查受影响的各项：已通过的输出是否保留，部分输出是否被隔离，剩余工作是否被正确识别？结果负责人必须确认恢复有效，并将其与技术命令执行成功明确区分开。

迁移是在移动作业之前进行的有序变更；事故则始于意料之外的偏差。如果事故的解决必须移动数据或恢复被中断的处理，那么此时应使用现有的迁移档案来执行该操作。事故时间线保留这一决策的原因，但不会改写切换方法或批次登记簿。

以最终影响、验证结果、已证实或仍未知的原因以及已决定的行动作为收尾。临时规避措施可以恢复结果而不解决根本问题：请明确说明，并指定其跟进负责人。缺乏证据不应变成“没有事故”；与旧案例的相似性不应变成确定的病因。

最终复核应让另一个人能够区分哪些是已观察到的、哪些是已尝试过的、哪些仍待验证。它用于改进流程、检查或错误消息，而不是编造一个没有不确定性的叙述。再多的截图数量、日志容量或紧急程度都无法替代这种传递质量。

是否需要等到弄清原因才能报告事故？

不需要。请报告可验证的影响和已知范围，然后清楚区分各项假设。时间线和有针对性的复现往往能在原因得到证实之前提供帮助。同时请说明为限制影响已采取的措施。

我可以把所有日志都发出去以节省时间吗？

请先准备有用的摘录并重新核对。完整日志可能包含机密和项目数据，且无助于诊断。请将原始文件保存在获授权的空间内，并说明在传送版本中所做的替换。

何时可以认为档案已结案？

在检查预期结果并经负责人明确决定之后。请区分已确认的修复与临时规避。结案可以保留未知原因，条件是须列明各项限制、已执行的检查以及仍待处理的行动。