外观
空跑 / 静默失败检出
难度与前置
难度：进阶
前置：调度显示成功/失败；能查分区行数与水位/进度指标；有基础量级或新鲜度告警。
读完能做什么：识别「任务绿、数据空/错」的几类静默失败，用检出清单与首响步骤处理，并用检出率与 MTTD 验收。
适用场景
- 调度全绿，业务却说看板为零或昨同比断裂
- 过滤条件、配置开关、分区通配导致写入 0 行但 exit 0
- 流作业水位卡住或闲置，无失败事件故无告警
- 补数/重跑跳过已有分区，表面成功实则未刷到
不适用：
- 量级阈值与基线怎么定（见 volume-monitor、anomaly-baseline）
- 对账规则设计全文（见 reconciliation；差异出现后分流见 recon-triage）
- 完整事故复盘模板（见 incident-postmortem）
- 优先级抢占导致的失败态（见 priority-preempt-drill；若失败态丢失则归本篇）
真实场景（一条）
短剧投放日批 dwd_ad_event 调度成功。配置中心把实验过滤写成 app_id IN ()（空列表），引擎语义为「恒假」，写入 0 行，作业仍 exit 0。新鲜度「分区存在」也绿（空分区已创建）。直到看板消耗为 0 才发现。
按本清单：成功 ≠ 有数 → 零行/同比跌零告警 → 首响区分过滤吞数 vs 源空窗 vs 跳过分区 → 修复后 MTTD 从「业务发现 ~6h」降到「自动告警 ＜15min」，观察 30 天空跑对外事故 0。
怎么做（步骤清单）
1. 静默失败分类（先对号）
| 类型 | 信号 | 典型根因 |
|---|---|---|
| 零行成功 | exit 0；输出分区行数 = 0 | 过滤恒假、源空、写路径错 |
| 过滤吞数 | 行数远低于基线但非 0 | 错误 where、错误字典、权限视图 |
| 跳过分区 | 任务成功；目标 dt 未写入或 mtime 旧 | 依赖误判已完成、补数 skip 已存在 |
| 水位停滞 | 作业 RUNNING/IDLE；事件时间不推进 | 源停、idle 无告警、脏时钟 |
| 错数成功 | 行数正常；关键度量离谱 | 口径开关、Join 丢边、单位错误 |
口诀：调度成功只证明进程退出码；数据合同要另开验收。
2. 检出清单（监控侧，可复制）
text
静默失败检出清单
□ 成功实例必须上报：输出行数、字节量、分区列表
□ 零行：P0/P1 表零行 = 告警（允许名单：合法空窗日需标注）
□ 同比/基线：|今日行数/基线-1| 超阈 → 告警（链 anomaly-baseline）
□ 分区覆盖：期望 dt 集合 vs 实际写入；跳过要显式状态码
□ 新鲜度：最大事件时间/分区封闭（链 freshness-sla）；空分区不算达标
□ 流作业：watermark 滞后、idle 超时告警；禁止「无 checkpoint 失败=健康」
□ 主键/度量抽检：日级 checksum 或对账（链 reconciliation）
□ 配置变更：过滤条件变更进变更窗并触发样例回归3. 首响 20 分钟（值班）
text
静默失败 · 首 20 分钟
T+0 现象：□零行 □跌零/腰斩 □分区缺 □水位停 □错数
T+5 调度：实例终态 ____ 退出码 ____ 是否「跳过」态 ____
T+8 量级：行数 ____ vs 基线 ____（volume-monitor）
T+10 新鲜度：源封闭？Y/N 空分区？Y/N（freshness-sla）
T+12 过滤/配置：最近变更？Y/N 实验开关？____
T+15 是否对外不可信：□是（公告+阻断 ADS）□否 □观察
T+20 唯一下一步：________ 问题单：________（closed-loop）分流提示：
- 像对账 diff → 交 recon-triage，但先标「可能空跑」
- 确认空跑/错数已对外 → 升级真警与复盘，不按「抖动」关单
- 告警路由见 alert-oncall
4. 防再发（工程最小集）
| 手段 | 说明 |
|---|---|
| 成功契约 | 绿必须带行数/字节指标；缺指标视同失败 |
| 空分区 ≠ 就绪 | READY 规则与 dependency 对齐 |
| 合法空窗日 | 日历标注（大促停投等），否则零行即警 |
| 配置即代码 | 过滤变更走 PR + test-fixture |
| 闭环 | 原因码含「空跑/静默」；复验看 MTTD |
常见坑（至少这些）
相信调度绿灯等于数据就绪
空分区创建成功，新鲜度也标达标
零行白名单过大，真空跑被吞
只告失败态，不告「成功但 0 行」
水位不动却无 idle 告警，流任务假健康
跳过分区无状态码，补数以为刷过
跌零当「业务没投放」不核源
先核源与过滤变更。检出后不进 closed-loop，下周同样空跑
如何验收（带数字的前后对比）
| 项 | 改前（示例） | 改后（目标） |
|---|---|---|
| P0 表零行/跳过检出 | 靠业务发现 | 自动告警；MTTD ≤ 15min |
| 成功实例缺行数指标 | 常见 | 0（缺则失败） |
| 空跑对外事故（30 天） | ≥1 | 0 |
| 合法空窗误报 | 高 | 有日历；误报可解释 |
| 静默类问题单含原因码与复验 | 无 | 100% |
text
空跑/静默失败验收（可复制）
范围：P0/P1 作业 ____ 个
成功必带行数指标：____%
演练：故意零行过滤 → 告警是否 ＜15min：Y/N
观察期空跑对外：____（期望 0）
抽检水位 idle 告警：Y/N
签字（质量/值班）：________ 日期：________Checklist：
- [ ] 分类表 + 检出清单 + 首 20 分钟可执行
- [ ] 链到 volume-monitor / freshness-sla / closed-loop / recon-triage / alert-oncall / anomaly-baseline
- [ ] 验收含 MTTD 与空跑事故数字
- [ ] 无假外链；无未公开阈值当机密泄露
相关专篇（互链，不重写）
| 你要做的事 | 看哪篇 |
|---|---|
| 行数/字节告警 | 行数/字节量监控 |
| 封闭与 SLA | 新鲜度 SLA |
| 问题单认领复验 | 质量闭环 |
| 差异分流 | 对账失败分诊 |
| 接警升级 | 告警与值班 |
| 波动阈值 | 波动基线 |
| 本篇 | 只做空跑/静默检出与首响，不替代量级/对账设计 |
相关面试题
题库小程序链接待定；先用站内锚点占位。
- [ ] 题：列举至少四类静默失败，并说明为何「调度成功」不够？（考察点：分类表）→ 占位：
#todo-interview-silent-failure-types - [ ] 题：零行成功如何在 15 分钟内被检出？验收看哪些数字？（考察点：MTTD + 行数指标）→ 占位：
#todo-interview-silent-failure-zero-row - [ ] 题：空分区为何不能算新鲜度达标？与 dependency READY 如何对齐？（考察点：空分区陷阱）→ 占位：
#todo-interview-silent-failure-empty-part - [ ] 题：首 20 分钟清单如何决定是否阻断 ADS？（考察点：对外不可信）→ 占位：
#todo-interview-silent-failure-block