Řízení hromadných incidentů

Massive Incident (hromadný incident) je soubor vzájemně souvisejících Operational Issues, které spojuje společná příčina vzniku.

Rozsáhlé provozní události tak lze analyzovat jako jediný objekt řízení.

Korelace incidentů

OHM automaticky sdružuje Operational Issues do jednoho Massive Incident, shoduje-li se několik faktorů:

• čas vzniku;
• region;
• Root Cause;
• komunikační infrastruktura;
• verze softwaru;
• externí událost.

Životní cyklus Massive Incident

flowchart TD
    A["Detekce"] --> B["Korelace"]
    B --> C["Massive Incident vytvořen"]
    C --> D["Šetření"]
    D --> E["Zmírnění dopadů"]
    E --> F["Obnovení"]
    F --> G["Ověření"]
    G --> H["Rozbor po incidentu"]
    H --> I["Uzavření"]

Provozní dashboard

Pro každý Massive Incident systém zobrazuje:

• počet souvisejících Operational Issues;
• počet aktiv;
• zasažené regiony;
• předpokládanou Root Cause;
• stav šetření;
• SLA;
• obchodní dopad;
• aktuální postup obnovy.

Rozbor po incidentu (Post Incident Review)

Po uzavření se incident podrobí rozboru.

Zpráva obsahuje:

• časovou osu;
• potvrzenou Root Cause;
• účinnost reakce;
• dodržení SLA;
• získaná ponaučení (Lessons Learned);
• doporučení k zamezení opakování.

Všechny závěry lze automaticky převést na články Knowledge Base.