如何應(yīng)對(duì)云計(jì)算中斷的問題

企業(yè)通常希望公共云為許多應(yīng)用程序類型提供靈活性、快速可擴(kuò)展性和可靠性，但公共云并不完美。每個(gè)主要云計(jì)算提供商都經(jīng)歷過內(nèi)部系統(tǒng)或存儲(chǔ)以及外部資源（如網(wǎng)絡(luò)連接）的中斷。業(yè)務(wù)中斷對(duì)任何企業(yè)來說都是毀滅性的打擊，而云計(jì)算中斷也可能會(huì)影響數(shù)百個(gè)用戶的業(yè)務(wù)。

所有這些都凸顯了公共云計(jì)算的普遍現(xiàn)實(shí)：用戶需要采用災(zāi)難恢復(fù)計(jì)劃，就像使用內(nèi)部部署數(shù)據(jù)中心一樣。制定計(jì)劃以及在出現(xiàn)云計(jì)算中斷時(shí)采取的措施可以減輕或加劇對(duì)企業(yè)的影響。人們需要考慮以下六個(gè)重要步驟，以平穩(wěn)度過公共云中斷。

步驟1：制定災(zāi)難復(fù)原策略

應(yīng)對(duì)云計(jì)算中斷的第一步是創(chuàng)建和實(shí)施災(zāi)難恢復(fù)（DR）計(jì)劃，并在災(zāi)難發(fā)生之前很長(zhǎng)時(shí)間就將其部署到位。盡管云計(jì)算提供商提供了大量的服務(wù)和資源，但是用戶需要為每個(gè)工作負(fù)載創(chuàng)建、部署、配置和監(jiān)視這些服務(wù)和資源。

實(shí)際的災(zāi)難恢復(fù)策略可能會(huì)根據(jù)工作負(fù)載的需求及其對(duì)企業(yè)的重要性而發(fā)生根本性的變化。日常應(yīng)用程序可能非常適合常規(guī)數(shù)據(jù)備份和虛擬機(jī)快照到輔助位置，例如其他提供程序區(qū)域、另一個(gè)云計(jì)算提供程序甚至本地存儲(chǔ)資源。

高級(jí)災(zāi)難恢復(fù)計(jì)劃可以使用已部署但在另一個(gè)區(qū)域處于空閑狀態(tài)的備用實(shí)例，并準(zhǔn)備在主要實(shí)例中斷時(shí)接管。甚至更全面的災(zāi)難恢復(fù)策略也可以包括分布式集群，該集群可以在多個(gè)云區(qū)域或可用性區(qū)域中運(yùn)行重復(fù)的工作負(fù)載實(shí)例。例如，這種策略可以包括使用負(fù)載平衡器在多個(gè)實(shí)例之間分配流量，并在該區(qū)域發(fā)生云中斷時(shí)重定向流量。

這些復(fù)制工作的極端變化是多云災(zāi)難恢復(fù)策略，其中工作負(fù)載跨兩個(gè)或多個(gè)云平臺(tái)（例如AWS和Microsoft Azure或Azure和谷歌云）進(jìn)行冗余操作，以防止云計(jì)算中斷的可能性。

步驟2：溝通并實(shí)現(xiàn)云計(jì)算透明

當(dāng)事情發(fā)生變化時(shí)，需要了解云中發(fā)生了什么。傳統(tǒng)上，云計(jì)算提供商對(duì)服務(wù)中斷一直不透明，但隨著企業(yè)將更有價(jià)值的工作負(fù)載委托給公共云，這種情況正在改變。企業(yè)需要更多的云計(jì)算透明性，提供商也在改善與用戶的通信，提供有關(guān)中斷性質(zhì)及其當(dāng)前狀態(tài)的更及時(shí)的見解。

例如，AWS公共云提供的服務(wù)運(yùn)行狀況儀表板顯示了所有服務(wù)的當(dāng)前狀態(tài)，而微軟Azure公共云提供了類似的“Azure狀態(tài)”頁(yè)面。災(zāi)難恢復(fù)決策可以取決于企業(yè)對(duì)災(zāi)難及其嚴(yán)重性的理解，提供商對(duì)災(zāi)難持續(xù)時(shí)間的估計(jì)——所有這些都可以隨著云計(jì)算透明度的提高而改善。

但是不要停留在那里。業(yè)務(wù)和用戶群取決于受影響的工作負(fù)載，因此，將中斷的詳細(xì)信息傳達(dá)給內(nèi)部用戶或客戶也同樣重要。通知他們停機(jī)、停機(jī)對(duì)工作負(fù)載的影響以及為解決停機(jī)而采取的步驟。

步驟3：確定災(zāi)難恢復(fù)計(jì)劃的業(yè)務(wù)價(jià)值

確定需要執(zhí)行什么來實(shí)施災(zāi)難恢復(fù)計(jì)劃。有些計(jì)劃是自動(dòng)的。例如，重要的工作負(fù)載通常通過某種類型的集群來保護(hù)，即使節(jié)點(diǎn)（或?qū)嵗┌l(fā)生故障，集群也應(yīng)繼續(xù)運(yùn)行。但是，針對(duì)次要工作負(fù)載的災(zāi)難恢復(fù)策略可能需要人為干預(yù)或分散步驟，例如恢復(fù)和重新啟動(dòng)快照或切換到備份實(shí)例。

如果需要人為干預(yù)，需要考慮恢復(fù)過程中涉及的工作和費(fèi)用，并確定啟動(dòng)恢復(fù)的業(yè)務(wù)價(jià)值。詢問恢復(fù)工作負(fù)載是否會(huì)比只是等待云計(jì)算提供商解決中斷所需的時(shí)間更長(zhǎng)且成本更高。來自云計(jì)算提供商的通信將會(huì)顯著影響這一決定。

步驟4：實(shí)施災(zāi)難恢復(fù)計(jì)劃

在許多情況下，關(guān)鍵任務(wù)災(zāi)難恢復(fù)計(jì)劃可能是完全自動(dòng)化的，并且管理人員可能無需采取任何有意的操作。例如，即使一個(gè)節(jié)點(diǎn)在云計(jì)算中斷期間變得不可用，跨越AWS云計(jì)算可用性區(qū)域或Azure云區(qū)域的集群也可能繼續(xù)起作用。

但是，不太重要的工作負(fù)載可能需要采取有計(jì)劃的行動(dòng)。采用準(zhǔn)備好的腳本、模板或其他資源，以協(xié)調(diào)適當(dāng)?shù)臑?zāi)難恢復(fù)響應(yīng)。當(dāng)企業(yè)決定啟動(dòng)需要人為干預(yù)的災(zāi)難恢復(fù)計(jì)劃時(shí)，管理員必須立即采取行動(dòng)。這可能包括在云計(jì)算中斷期間從快照重新啟動(dòng)或?qū)⒘髁恐囟ㄏ虻絺溆脤?shí)例。

災(zāi)難恢復(fù)計(jì)劃需要定期測(cè)試。執(zhí)行測(cè)試演練，以確保適當(dāng)?shù)倪^程和資源來推動(dòng)工作負(fù)載恢復(fù)。測(cè)試還驗(yàn)證相關(guān)資源的配置，例如IP地址以及相關(guān)的驅(qū)動(dòng)程序和相關(guān)性。如果恢復(fù)在常規(guī)測(cè)試中正常運(yùn)行，則很可能在實(shí)際災(zāi)難恢復(fù)情況下正常運(yùn)行。

步驟5：監(jiān)控災(zāi)難復(fù)原策略

無論實(shí)施災(zāi)難恢復(fù)策略所涉及的工作量或自動(dòng)化程度如何，驗(yàn)證已恢復(fù)的工作負(fù)載是否正常運(yùn)行仍然很重要。管理人員應(yīng)將以災(zāi)難恢復(fù)狀態(tài)運(yùn)行的工作負(fù)載的性能與在正常條件下運(yùn)行的相同工作負(fù)載的性能進(jìn)行比較。

應(yīng)用程序監(jiān)視工具（例如Amazon CloudWatch和Google Stackdriver）著眼于工作負(fù)載運(yùn)行狀況。這些工具還收集日志、指標(biāo)和事件，以中繼有關(guān)已恢復(fù)工作負(fù)載的操作數(shù)據(jù)。此外，他們將在整個(gè)云計(jì)算中斷期間繼續(xù)監(jiān)視工作負(fù)載的性能和可用性。

步驟6：云計(jì)算中斷的事后評(píng)估

云計(jì)算中斷對(duì)企業(yè)來說可能會(huì)很痛苦，但不會(huì)一直持續(xù)下去。當(dāng)云計(jì)算提供商解決其中斷并恢復(fù)正常的工作負(fù)載操作時(shí)，組織需要對(duì)事件進(jìn)行事后評(píng)估，并評(píng)估其災(zāi)難恢復(fù)響應(yīng)。

企業(yè)還要考慮災(zāi)難恢復(fù)計(jì)劃的效果如何，并根據(jù)需要調(diào)整計(jì)劃。這可能包括更改分配給應(yīng)用程序的災(zāi)難恢復(fù)保護(hù)級(jí)別，微調(diào)用于實(shí)施災(zāi)難恢復(fù)程序的過程或其他可能減輕未來云計(jì)算中斷影響的更改。

來源：Stephen J. Bigelow