数据中心运维：减少折腾就是降低故障

　　“没有折腾，就没有故障”这句话虽糙，但却很有道理，尤其在运维上。据有关咨询机构统计，数据中心的故障中有百分之七十是人为故障，也就是与人的活动强相关，可见人对于数据中心来说是多么可怕。人为故障其中也可以分为有意的和无意的。有意的是指明知道一些操作会造成数据中心故障，仍执意去做的，这些人往往希望通过造成数据中心运行瘫痪，而达到不可告人的目的，这种故障占到了人为故障的80%，剩余的就是无意的。

目前创新互联建站已为上千家的企业提供了网站建设、域名、虚拟主机、网站托管、企业网站设计、中牟网站维护等服务，公司将坚持客户导向、应用为本的策略，正道将秉承"和谐、参与、激情"的文化，与客户和合作伙伴齐心协力一起成长，共同发展。

　　数据中心本身是一个复杂庞大的系统，运维的人员不可能面面俱到都精通所有技术细节，当接触到自己不熟悉或不了解的地方，操作易引发意想不到的结果。还有不少的设备，软件质量不高，反复操作下发就容易引发软件问题，从而造成业务中断。这种情况在数据中心里还不少见，数据中心里设备成千上万，数量庞大，动一动问题就来了，所以运行稳定的数据中心不要轻易去改动，就让它自己处于最佳状态去运行下去。

　　众所周知，但凡遇到一些重大节日和活动，大型的数据中心都会进行封网，停止一切操作和活动行为，目的就是为了减少故障发生，将人为操作风险降低，将触发BUG的风险降低。这种方式行之有效，除了可能出现一些硬件故障外，几乎很少发生其它类问题。

　　我们都知道乌龟的寿命很长，活上几百年轻飘飘的，就是因为乌龟很少动，移动缓慢，这大大延长了它的生存寿命。数据中心运维也喜静不喜动，少动慎动，这能最大程度减少故障发生。金融银行业的数据中心对可靠性要求很高，为了避免出故障，银行的数据中心内部制定了严格的操作制度，所有的操作都要遵守统一规范，任何命令的下发和变更都要经过行里提前审核，甚至在模拟环境中验证过没问题，才开始到现网中去实施操作，银行业的数据中心操作最为规范，使得数据中心的可靠性也最高。

　　不过，为了快速响应业务需求和提高资源利用率，运维又不得不频繁折腾，不动基本做不到。一个数据中心可能每周晚上都有安排变更，还有设备软件升级、配置优化、设备替换等工作，数据中心总是有没完没了的变更操作，这样不可避免地在操作过程中出现一些新问题，导致数据中心总是无法稳定下来，业务经常受到影响，这其实就违背了运维祖训的宗旨。

　　数据中心里需要的技术知识太多，涵盖多个学科几十个门类，没有谁能全部掌握，完全掌握一门都很难，这时制定相应的操作，受限知识面，总会有考虑不周的地方，一旦有漏掉就可能在操作过程中产生问题。对于变更操作，任何人都没有绝对的把握，凡事都可能有意外，就像是做手术，再小的手术也是有风险的，也要家属签字，万一出了事故手术操作者能免责。

　　既然不能避免折腾，那就想办法不让折腾出问题。

　　首先要分治。分治就是把风险高的和风险低的分开、重要性高的和不高的分开、简单的和复杂的分开、频繁变动的和不频繁的分开。归根到底都在做两件事：封装复杂度、隔离变化。运维架构层的分治，在业界已经非常普遍了，比如应用服务器和数据库服务器分离、交易数据库和用户数据库分离，生产环境和测试环境隔绝。数据中心是有很多小系统组成的，相互之间要松耦合，最好是隔离的，这样一个小系统故障，影响是局部的，不会影响全局。

　　其次是管人。要减少人为折腾出的故障，就要加强对人的约束和管理。不同技术等级的人能做的操作权限是不同的，一个新手要上线操作，必须要由老工程师来指导。要制定详细的人员管理规章制度，对运维的人员形成约束力，对运维的人员进行考核、监控、管理，增强运维人员工作的责任心，有奖有罚。制定严格的各项规章制度，一般的数据中心都需要24小时常年不间断向外提供服务，所以要给数据中心人员充分的休息时间，按时的上下班，避免长时间工作、疲劳工作，减少出错概率。

　　第三是管事。当数据中心需要变更和优化操作时，需要运维团队的人员进行整体讨论，对预知的风险进行分析，确保操作不会对运行业务造成影响。每个变更都是整个技术团队的讨论通过做出的决定，而不是个人的行为，这样能将技术性人为故障降到最低。要制定好回退方案，一旦出现异常情况立即回退，事后将原因分析情况后再进行二次变更。毕竟运维的人员都不是专业搞设备的，对设备内部处理和实现并不见得很清楚，重大的变更操作可以邀请设备厂家的技术人员参与和支持，降低操作错误的风险。每次操作都要做好充分准备，必要的模拟演练、提前的业务搬移、紧急通道的准备等都需要，这样才能降低故障发生的风险。

　　“没有折腾，就没有故障”是金口良言，听上去很有道理，实际却很难做得到。数据中心本就是一个数据高速流动的场所，业务需求时时都在变化，为了满足业务部署和发展的需求，不让对数据中心变更、折腾，根本就是做不到，“没有折腾”只是一种理想的状态罢了。不过，的确是应该最大限度地去主动降低数据中心操作频率，尽量少动，这样可极大降低故障发生概率。人是数据中心活动中的最重要因素，没有人的参与哪里来的数据中心，而偏偏人也同时给数据中心带来成长的烦恼，人在运维的过程中作用依然举足轻重。作为数据中心的运维人，要时刻牢记祖训。