断続的に落ちる障害（フラッピング）の追い方チェックリスト

まず外せない最低ラインはこの3つです。急いでいても、ここだけは押さえます。

• 【最低ライン】直す（再起動する）前に、発生日時とそのときのログを控えたか
• 【最低ライン】過去の発生時刻を並べて、規則的か不規則かを見たか
• 【最低ライン】その時刻に動いていた定時処理（cron・バックアップ）と重ねたか

次の項目は、当たりがつかないとき・長引いているときに追加で確認します。当てはまらなければ飛ばして大丈夫です。

• 監視の通知履歴から、ダウンと復旧の両方の時刻を拾ったか
• 特定の利用者・特定の画面だけかどうかを確かめたか（全体の障害と分けて考えたか）
• 発生の間隔がだんだん短くなっていないか（溜まっていく型の兆候）を見たか
• dmesg -T にプロセス強制終了（OOM）やディスクのエラーが出ていないか確認したか
• ログの保存期間が短すぎて、過去の該当時刻が消えていないか確認したか
• 監視の間隔が、障害の継続時間より長くて見逃していないか確認したか
• 次の発生に備えて、リソースやエラー前後の記録が残る仕掛けを入れたか
• 仮説を1つに絞って確かめたか（同時にいくつも変えていないか）
• 外部サービス・回線側の障害情報も確認したか

全部に○が付かなくても大丈夫です。最低ラインの3つ、とくに「直す前に時刻を控える」さえ習慣にできれば、次の1回から調査の材料が増えていきます。