Upravljanje masovnim incidentima

Masovni incident (Massive Incident) je skup međusobno povezanih operativnih problema (Operational Issues) koji imaju zajednički uzrok.

To omogućava da se operativni događaji velikih razmera analiziraju kao jedinstven entitet kojim se upravlja.

Korelacija incidenata

OHM automatski grupiše operativne probleme u masovni incident kada se podudara više faktora:

• vreme nastanka;
• region;
• osnovni uzrok (Root Cause);
• komunikaciona infrastruktura;
• verzija softvera;
• spoljni događaj.

Životni ciklus masovnog incidenta

flowchart TD
    A["Otkrivanje"] --> B["Korelacija"]
    B --> C["Kreiran masovni incident"]
    C --> D["Ispitivanje uzroka"]
    D --> E["Ublažavanje posledica"]
    E --> F["Oporavak"]
    F --> G["Verifikacija"]
    G --> H["Analiza posle incidenta"]
    H --> I["Zatvaranje"]

Operativna kontrolna tabla

Za svaki masovni incident sistem prikazuje:

• broj povezanih operativnih problema;
• broj objekata (Assets);
• pogođene regione;
• pretpostavljeni osnovni uzrok;
• status ispitivanja;
• sporazum o nivou usluge (SLA);
• poslovni uticaj (Business Impact);
• trenutni napredak oporavka.

Analiza posle incidenta

Posle zatvaranja incident se analizira.

Izveštaj obuhvata:

• hronologiju (Timeline);
• potvrđeni osnovni uzrok;
• delotvornost reagovanja;
• poštovanje SLA rokova;
• naučene lekcije;
• preporuke za sprečavanje ponavljanja.

Svi zaključci mogu da se automatski pretvore u članke baze znanja (Knowledge Base).