數(shù)據(jù)中心的“小故障”不容忽視

數(shù)據(jù)中心是很多復雜的高度相互關聯(lián)的系統(tǒng)，需要許多不同的子系統(tǒng)功能都維持正常，才能確保設施可以提供服務。不幸的是，往往一個看似微小的錯誤往往會導致整個系統(tǒng)癱瘓。最近，維基百科的宕機是因為數(shù)據(jù)中心的光纖被意外切斷，Twitter之前在奧運會期間的中斷，是由于數(shù)據(jù)中心主系統(tǒng)和備份系統(tǒng)同時出現(xiàn)故障。
    從中我們可以吸取的教訓是，不僅僅是颶風、地震、公共設施中斷、惡意攻擊會造成數(shù)據(jù)中心宕機。任何事情，包括一個相對較小的網卡故障，也可能會破壞您的數(shù)據(jù)中心。
    因此，我們對待較小的程序中斷也需要像大型故障一樣慎重。在這兩種情況下，最關鍵的是做好充分的準備，以減少業(yè)務損失。以下有一些建議。
    把安全作為首要任務。通常數(shù)據(jù)中心宕機是由一些很煩人的，但是對人身安全無害的事件所引起。但是當出現(xiàn)危險情況時（比如裸露的電導體），必須確保安全第一。不要以人民幣的名義讓您的員工處在危險中。另一方面，當然，你也要知道什么時候是過度保護了，避免一些不必要的安全措施。關鍵是要找到正確的平衡點，在盡量減少人員傷害的同時降低安全措施的成本。
    未雨綢繆。這也許是最重要的一步。如果等到中斷發(fā)生了，才制定行動計劃，那你已經處在劣勢了。提前確定應該聯(lián)系誰（應該誰在現(xiàn)場）。制定流程來確認和解決這個問題。一份服務提供商的名單是需要準備的，因為你可能需要聯(lián)系他們以尋求幫助，比如冷卻裝置等系統(tǒng)出現(xiàn)故障。也許最重要的是，有條有理地整理所有這些信息，方便讓需要它的人能及時獲取。通過提前規(guī)劃，你可以更迅速地讓數(shù)據(jù)中心和業(yè)務再次運行。
    備份您的數(shù)據(jù)。對于大多數(shù)人來說，在大部分的時間里，保險費是討厭的費用，看起來沒有任何回報。但是，當災難襲來時，購買的保險就派上了用場。備份你的重要數(shù)據(jù)也是一樣的道理。在你沒有丟失數(shù)據(jù)之前，這似乎是在浪費時間。但是你必須定期在正常運作期間進行備份，否則當中斷已經發(fā)生時，就來不及了。
    部署數(shù)據(jù)中心基礎設施管理/監(jiān)控（DCIM）解決方案。迅速解決宕機事故的關鍵是搞清楚問題出在哪里。手電筒和萬用表可能不會奏效，你需要（最好）能集中訪問您系統(tǒng)的信息和狀態(tài)，以發(fā)現(xiàn)故障區(qū)域。一個DCIM解決方案可以在宕機事故發(fā)生之前，幫助確定這些麻煩的區(qū)域。
    跟蹤您的數(shù)據(jù)中心服務的使用率。高峰使用時間對系統(tǒng)會造成壓力，而這可能是發(fā)現(xiàn)潛在問題的最佳時間。你應該在這段時間內為宕機做好最佳準備。這時最有可能發(fā)生斷路器翻轉或者冷卻裝置失效。這也是客戶最需要你的時候。
    結論
    小故障和大故障都要做同樣的準備。小故障可能對業(yè)務產生比較小的影響，但是仍然必須解決掉它，以免它以滾雪球的形式造成更大的問題。小故障可能是大問題的征兆。