很多朋友經(jīng)歷了前幾天阿里云3小時左右的故障，我司的業(yè)務也受到了一定影響，技術的同事一起熬夜奮戰(zhàn)，最終觀察服務穩(wěn)定運行了兩個多小時。

一次事故如一場戰(zhàn)役，不管是在故障過程中的處理，還是故障后的總結，除了罵阿里云，我們自己有沒有可以改進的空間呢?結合我司昨夜的處理過程，說一下自己的一點想法。

畫外音：技術人，還是聊技術，決定不了別人，我們做好自己。

一

凌晨，收到運維負責人的電話，阿里云部分機房故障，并從阿里云同事收到反饋，問題仍在定位，恢復時間不確認。

畫外音：關鍵時刻，手機欠費了，運維負責人還幫我充了200話費，才打通，真曲折。

整個過程中，我們能做什么呢?

• 及時反饋業(yè)務方：例如客服，運營等，如果收到用戶反饋，能夠及時說明情況;
• 確定影響范圍：因為不是所有服務器都受影響，確定范圍后好針對性檢查;

這里面，潛在的技術問題是：

• 運維立刻收到服務器告警了么，研發(fā)與測試立刻收到站點與服務告警了么?為什么沒有收到，是沒有告警，還是告警覆蓋缺失?

畫外音：如果讓業(yè)務方先發(fā)現(xiàn)問題，反問技術部，服務怎么出問題了，是何等尷尬?

• 能夠快速確定受影響的服務器IP么?以及受影響的業(yè)務范圍么?

我們的運維同學立刻通過腳本，確定了大概有50來臺服務器受影響。

DBA同學也立刻確認了，RDS數(shù)據(jù)庫服務沒有受到影響。

畫外音：

• 未來要自動化，可視化;
• 除了能從前端發(fā)現(xiàn)A、B、C功能不可用，能從后端精準確定哪些服務，多大比例的流量受影響么?

潛在的非技術問題：

• 技術團隊和業(yè)務方建立了反饋渠道么，溝通是否順暢?
• 有沒有“線上服務第一”的意識，有沒有“系統(tǒng)值班”的制度，還是說，關著手機睡覺?

畫外音：

• 昨晚絕大多數(shù)二級，三級部門負責人都立即投入戰(zhàn)斗，很贊;
• 技術人，關著手機睡覺，是不可接受的。

二

過了一個多小時了，阿里云仍未反饋修復時間，這個時間大家都有點著急了，那除了干等著，我們自己能做些什么呢?

因為只有部分區(qū)域的服務器異常，能不能申請一些新的服務器，將受影響服務器上的站點與服務重新部署，通過服務治理將流量切到新的服務上，是不是能恢復(至少部分恢復)呢?

整個過程中，我們能做的是：

• 申請新服務器;
• 確認受影響的站點與服務、重新部署;
• 服務治理，將流量遷移;

這里面，潛在的技術問題是：

(1) 能不能快速進行服務器擴容;

畫外音：昨晚我們迅猛購買了50臺ECS，這是云的好處。

(2) 知道了受影響的服務器IP，如何能夠快速確定這些IP上部署了哪些站點與服務?這些站點與服務的上下游是什么，連帶影響范圍是什么?

畫外音：這是有待提高的地方，每個負責人都知道自己的IP上部署了什么，但并不可視化。

(3) 如何快速站點與服務擴容與縮容，如何服務發(fā)現(xiàn)，如何遷移流量?

畫外音：服務治理，任重道遠。

三

又過了大概半個小時，我們購買完服務器，梳理站點與服務的過程中，阿里云專家反饋，“問題定位有了關鍵進展，不出意外的話30分鐘恢復”。此時我們內(nèi)部評估，30分鐘50臺ECS的初始化，服務部署，流量遷移恐怕完不成，還是等阿里云好了。

果真大概半個小時，阿里云專家反饋恢復了，這時我們要做的：

• 確定站點與服務是否運行;
• 確定日志是否異常;
• 確定業(yè)務在線業(yè)務是否異常;
• 一些容易遺漏的點的再三檢查：例如MQ的消費，定時任務的執(zhí)行。

畫外音：有些定時任務可能需要手動再次執(zhí)行。

這里面的很多工作，是通過手工，還是腳本自動化，還是平臺可視化來判斷與執(zhí)行?技術平臺的迭代，仍重而道遠。

四

服務觀察穩(wěn)定后一段時機。朋友圈、微博上開始對阿里云進行聲討，都在提自己的優(yōu)化方案：

1. 是時候換一個云了;

換一個云能解決問題么?用其他云的朋友，可以評論反饋下故障頻率。

我相信，各家有各家的問題，我甚至愿意相信，阿里云的故障率是相對較低的。

2. 是時候自建機房了;

自建機房能解決問題么?自建機房的朋友，可以評論反饋下故障頻率。

說實話，讓我自建機房，我目前真沒有信心做得比阿里云更好。

3. 是時候多機房多活了;

“多機房多活”不是四個字這么簡單，需要多大的成本，需要多少技術基礎服務支撐，需要多大的架構改造，有考慮過么?

畫外音：58同城15年做機房遷移時做過多機房多活，我還算有一定發(fā)言權。

我相信，目前99.9%的公司，目前的業(yè)務階段，目前的投入產(chǎn)出比，不適合做多機房多活。

罵阿里云不解決問題，這次事故過程中發(fā)現(xiàn)的自身的問題，我們要繼續(xù)去改進。

特別是服務治理體系，可視化監(jiān)控與運維體系，任重而道遠。

不為阿里云洗地，阿里云你影響了我們幾個小時業(yè)務可用性，該陪的要賠，盡量加倍賠，讓我們看到你的誠意。

畫外音：誰有XX云的接口人聯(lián)系方式，請小窗我一下。

末了，讓我特別感動的一點，還是一起熬夜奮戰(zhàn)的兄弟姐妹們。早晨，還有部分同學趕去公司，要把運營反饋的不一致數(shù)據(jù)，進行修正。

我相信，因為有你們，業(yè)務一定能做成。

我相信，大家的付出老板一定看得到，3/4月份的漲薪一定有你。

【本文為專欄作者“58沈劍”原創(chuàng)稿件，轉(zhuǎn)載請聯(lián)系原作者】

戳這里，看該作者更多好文

網(wǎng)頁標題：這一次，除了罵阿里云，還能做些什么？
分享網(wǎng)址：http://uogjgqi.cn/article/dpcjodp.html