數(shù)據(jù)中心發(fā)生宕機(jī)可能對(duì)我們來說并沒有什么太大的影響，最多幾分鐘不上網(wǎng)，但對(duì)于數(shù)據(jù)中心企業(yè)來說卻是毀滅性的災(zāi)害。數(shù)據(jù)中心宕機(jī)不僅會(huì)給企業(yè)帶來巨大的財(cái)產(chǎn)損失且還會(huì)影響用戶體驗(yàn)度，因此數(shù)據(jù)中心企業(yè)該如何加強(qiáng)數(shù)據(jù)中心的運(yùn)維管理防止機(jī)房宕機(jī)？
雖然造成宕機(jī)的原因很多，但歸結(jié)起來，都與運(yùn)維管理不到位分不開關(guān)系，因此，如何加強(qiáng)數(shù)據(jù)中心的運(yùn)維工作，是避免宕機(jī)發(fā)生的根本。
事實(shí)上，在運(yùn)維過程中，數(shù)據(jù)中心面臨著諸多的挑戰(zhàn)：
數(shù)據(jù)中心的運(yùn)營(yíng)費(fèi)用。這就要求在建立數(shù)據(jù)中心之前，進(jìn)行預(yù)算和規(guī)劃；又比如能源成本上升，這可以通過使用新技術(shù)緩解，例如虛擬化和云主機(jī)托管，可以大大降低能源成本；再比如維護(hù)和冷卻要求，數(shù)據(jù)中心設(shè)施和組件需要在適合的溫度下全天不間斷的工作，這需要完善的冷卻系統(tǒng)，以保持所需的溫度。
除此以外，數(shù)據(jù)中心還面臨著溝通融合、基礎(chǔ)設(shè)施要求、缺乏資源、服務(wù)器效率、數(shù)據(jù)中心安全、網(wǎng)絡(luò)阻塞等挑戰(zhàn)。但是，數(shù)據(jù)中心最不愿意見到的事情莫過于斷電，這將會(huì)給運(yùn)維人員帶來很多的麻煩。近來，不少公司因?yàn)閿?shù)據(jù)中心的電力中斷而備受困擾，比如美國(guó)達(dá)美航空公司數(shù)據(jù)中心的電力中斷，造成高達(dá)1.5億美元的經(jīng)濟(jì)損失，又比如美國(guó)“超級(jí)碗”賽場(chǎng)斷電，耽誤賽事日程。
對(duì)于數(shù)據(jù)中心的運(yùn)維，我們要做好以下幾點(diǎn)工作：
1.跟隨數(shù)據(jù)中心的變化，電力系統(tǒng)進(jìn)行升級(jí)
可以說數(shù)據(jù)中心的不同階段，對(duì)電力需求也在不停的變化，比如增加服務(wù)器或者交換機(jī)都有可能對(duì)電力產(chǎn)生巨大的需求，所以及時(shí)掌握數(shù)據(jù)中心在這一時(shí)間段對(duì)電力的需求，變得十分重要。
此外，還需要對(duì)數(shù)據(jù)中心的供電進(jìn)行合理的評(píng)估，以免數(shù)據(jù)中心超載，供電不足造成停電的狀況。
2.知道所有互連設(shè)備和系統(tǒng)的一切情況
對(duì)于數(shù)據(jù)中心運(yùn)營(yíng)至關(guān)重要的是，需要電力鏈記錄在一起，從進(jìn)入建筑物的電力，再通過UPS、PDU/提供給所有的機(jī)架設(shè)備。這意味著數(shù)據(jù)中心運(yùn)營(yíng)需要知道哪些與電力相關(guān)的設(shè)備，以及設(shè)備各自的相互依賴關(guān)系。這可以讓數(shù)據(jù)中心運(yùn)營(yíng)了解某些設(shè)備故障或脫機(jī)維護(hù)時(shí)的潛在影響。此外，還應(yīng)該了解每個(gè)電源鏈設(shè)備的狀態(tài)。
可以通過采用數(shù)據(jù)中心基礎(chǔ)架構(gòu)管理(DCIM)實(shí)現(xiàn)對(duì)電源管理。DCIM使數(shù)據(jù)中心運(yùn)營(yíng)能夠以最高的效率運(yùn)行數(shù)據(jù)中心，同時(shí)允許所有相關(guān)人員改進(jìn)整體運(yùn)營(yíng)情況，并識(shí)別漏洞，從而保持電源鏈的安全。部署的DCIM還可以讓數(shù)據(jù)中心運(yùn)營(yíng)全面了解自己的產(chǎn)品，通過共享實(shí)時(shí)數(shù)據(jù)和易于理解的圖表，消除IT和設(shè)施之間的通信孤島。
3.確保電源系統(tǒng)沒有受到攻擊或威脅
數(shù)據(jù)中心是通過網(wǎng)絡(luò)進(jìn)行連接，當(dāng)然除了基架中包含的終端和訪問點(diǎn)之外，很多渠道可能會(huì)成為破壞數(shù)據(jù)中心的途徑，所以保護(hù)這些渠道免受破壞，成為數(shù)據(jù)中心建設(shè)需要考慮的問題。
在這里，網(wǎng)絡(luò)攻擊成為一種可能性，很多黑客可能不直接破壞供電系統(tǒng)，而是通過網(wǎng)絡(luò)進(jìn)入到數(shù)據(jù)中心，以達(dá)到破壞數(shù)據(jù)中心供電的目的。此外，我們不應(yīng)該只防止通過網(wǎng)絡(luò)手段對(duì)數(shù)據(jù)中心進(jìn)行破壞的黑客，還應(yīng)該防止內(nèi)部人員的破壞，有些工作人員因?yàn)樽陨斫?jīng)驗(yàn)不足，一個(gè)小小的錯(cuò)誤，有可能導(dǎo)致數(shù)據(jù)中心供電的中斷。
所以，為了防止通過以上手段進(jìn)行破壞的行為，建立運(yùn)維文檔和流程控制變得十分重要。在這里，采用更多的硬件不是防止災(zāi)難性停電的最佳選擇，不妨采用軟件層面的管理，來的更加穩(wěn)妥一些。
不妨多模擬故障安全測(cè)試，做好完整的災(zāi)難恢復(fù)計(jì)劃數(shù)據(jù)中心在運(yùn)營(yíng)過程中，難免會(huì)出一些故障，所謂有備而無(wú)患，在真正出bug的狀況下，之前遇到過或者曾經(jīng)模擬了出錯(cuò)的場(chǎng)景，才更有經(jīng)驗(yàn)去應(yīng)對(duì)故障。在這里，我們建議在不影響業(yè)務(wù)環(huán)境的情況下對(duì)數(shù)據(jù)中心進(jìn)行斷電測(cè)試，使用虛擬的開關(guān)設(shè)備，將允許數(shù)據(jù)中心運(yùn)營(yíng)商可以應(yīng)對(duì)最壞的情況，并對(duì)其進(jìn)行恢復(fù)。
數(shù)據(jù)中心工作人員總是假設(shè)他們的電源供應(yīng)鏈和電源備份系統(tǒng)是萬(wàn)無(wú)一失的，但是如果沒有故障安全測(cè)試，會(huì)認(rèn)為面臨什么樣的結(jié)果?電源故障模擬使數(shù)據(jù)中心運(yùn)營(yíng)商可能找到缺乏冗余的設(shè)施，并發(fā)現(xiàn)單點(diǎn)故障。但是，這需要文檔進(jìn)行記錄。因此，數(shù)據(jù)中心運(yùn)營(yíng)商在災(zāi)難性的電源故障之前，建立斷電測(cè)試機(jī)制并記錄其恢復(fù)過程。
4.數(shù)據(jù)中心建設(shè)應(yīng)該實(shí)時(shí)監(jiān)控操作
對(duì)數(shù)據(jù)中心進(jìn)行實(shí)時(shí)監(jiān)控操作，是以防萬(wàn)一的做法，所以數(shù)據(jù)中心運(yùn)營(yíng)商必須知道設(shè)備都被放在哪里，以及使用了多少電能。雖然對(duì)于不斷增加基礎(chǔ)架構(gòu)的數(shù)據(jù)中心來說，這很困難，也有可能對(duì)電池容量和電源分配產(chǎn)生巨大的影響，但是注意所有移動(dòng)部件的唯一方法就是單一視圖，這種整體視圖具有實(shí)時(shí)監(jiān)控和警報(bào)的功能，使數(shù)據(jù)中心運(yùn)營(yíng)商能夠減輕風(fēng)險(xiǎn)，并進(jìn)行更改以避免災(zāi)難發(fā)生。
宕機(jī)是一個(gè)代價(jià)極高的問題，在生產(chǎn)力和協(xié)作方面會(huì)造成相當(dāng)大的業(yè)務(wù)損失。加強(qiáng)數(shù)據(jù)中心的運(yùn)維工作，努力確保在每一個(gè)環(huán)節(jié)上都能阻止宕機(jī)的發(fā)生，是每一位運(yùn)維人員都要考慮的事情！
（原標(biāo)題：機(jī)房面臨嚴(yán)峻宕機(jī)風(fēng)險(xiǎn)，如何加強(qiáng)數(shù)據(jù)中心的運(yùn)維管理？）
