网络研讨会：从恐慌到主动：高可用性入门指南

服务器严重故障不应该导致长达数小时的紧急停机。如果您是系统管理员、新上任的数据库管理员，或者被委以重任负责系统维护的“非专业”数据库管理员，您绝不能将系统正常运行时间寄托于运气。

在这节面向初学者的点播课程中，我们将深入浅出地讲解高可用性的基本原理。您将了解导致意外中断的根本原因、自动故障转移的工作原理，以及集群和云基础设施等现代技术如何确保您的关键系统全天候稳定运行。

经许可转载SIOS

IT弹性高可用性

现代IT环境从未如此强大，也从未如此复杂。如今，企业需要在混合云、分布式基础设施、边缘节点和多个可用区上运行关键应用程序。

与此同时，负责管理这些环境的团队常常被要求在资源有限的情况下支持更多的系统。这给高可用性和灾难恢复 (HA/DR) 带来了日益严峻的挑战。HA/DR 对业务连续性至关重要，但传统方法通常需要深厚的技术专长、手动配置以及少数专家的持续监督。在当今的 IT 环境中，这种模式已难以为继。

过于复杂的HA/DR的风险

多年来，高可用性集群管理曾被视为一门专门的学科。只有少数专家掌握集群配置、故障转移脚本、仲裁设置和恢复流程等细节。这种方法在环境规模较小、更加集中化时或许行之有效。

如今，同一个团队可能要负责跨云端、本地和混合系统的数百个工作负载。当高可用性/灾难恢复 (HA/DR) 工具难以理解或操作时，组织就会依赖少数关键人员。如果这些人在系统故障期间无法到场，即使是“自动化”的恢复计划也会迅速演变成令人倍感压力的手动流程。

这里停机时间风险增加。环境的复杂性与团队能力之间的差距成为企业韧性的薄弱环节。

高可用性中的简洁性并不意味着控制力的降低

人们普遍误以为简单的工具功能较弱。但实际上，设计良好的高可用性/灾难恢复解决方案并不会削弱控制力，而是让控制力更容易持续有效地发挥作用。

现代高可用性/灾难恢复 (HA/DR) 解决方案应在确保执行正确策略、依赖关系和恢复步骤的同时，减少管理员所需的手动工作量。软件不应期望每位团队成员都理解所有技术细节，而应引导用户遵循成熟的工作流程，并在错误演变为服务中断之前就加以预防。

这种简洁性并非为了降低功能，而是为了在系统中构建智能，使IT团队能够专注于结果，例如保持应用程序的可用性以及在出现故障时快速恢复。

现代HA/DR应该提供什么

一个切实可行的高可用性/灾难恢复 (HA/DR) 解决方案应该让整个 IT 团队更容易管理系统弹性。这意味着要摆脱命令行操作的复杂性，并为管理员提供清晰、指导性的方法来保护关键系统。

有效的HA/DR工具应包括：

• 简单的配置工作流程：引导式设置可帮助团队保护 SQL Server、SAP、Oracle 等应用程序以及其他业务关键型工作负载，而无需依赖冗长的手动配置。
• 策略驱动型自动化：智能系统能够根据预定义的业务规则，准确地知道如何以及在哪里重启发生故障的服务。
• 视野清晰：通过单一视图即可了解整个应用程序堆栈的运行状况，以便团队能够快速了解​​事件发生期间的情况。
• 内置护栏：主动验证检查，可在配置问题、网络延迟或补丁不匹配等问题干扰恢复之前识别它们。

这些功能结合起来，使高可用性/灾难恢复更具可预测性、可重复性，并且更容易让团队在压力下进行管理。

赋能团队，而非取代专家

简化高可用性/灾难恢复系统的使用并不会取代经验丰富的IT专业人员。它能帮助他们专注于更有价值的工作。

当日常维护、监控和故障转移流程更容易管理时，高级架构师和专家可以减少管理复杂集群配置的时间，从而有更多时间来改进战略、规划现代化项目并增强组织的整体弹性。

与此同时，IT 团队也能更有信心安全地维护关键系统。当准入门槛降低时，更多的人就能在发生事件时有效应对，而无需担心会使情况变得更糟。

为什么简洁对IT弹性至关重要

高可用性和灾难恢复不仅仅是技术功能，更是业务需求。一旦发生故障，组织快速恢复的能力将直接影响生产力、客户信任度、收入和声誉。

危机发生时，复杂性会延缓响应速度。清晰、自动化且易于使用的高可用性/灾难恢复 (HA/DR) 工具能够帮助团队自信且一致地采取行动。通过减轻管理员的运维负担，组织可以缩短恢复时间，并使正常运行时间更加可预测。

对于现代IT团队而言，简洁不再仅仅是一种便利。它是业务的关键组成部分。IT弹性。

准备好简化您的业务弹性策略了吗？立即联系我们了解我们的自动化高可用性/灾难恢复解决方案如何保护您的关键工作负载并增强您的 IT 团队的能力，而无需增加复杂性。

作者：Benjamin Roy，SIOS 市场专员

经许可转载SIOS

补丁管理

补丁管理解决方案可帮助 IT 团队在无需计划内停机的情况下应用更新、测试补丁并维护安全性。本视频将介绍 SIOS DataKeeper 和 LifeKeeper 如何通过高可用性集群、备用节点更新和自动故障转移实现近乎零停机的补丁管理，从而帮助组织保持安全、合规和不间断运行。

经许可转载SIOS

观察与计算：运用经验做出更佳的商业决策

在本系列第一部分我们探讨了在没有完美答案的情况下，近似值如何帮助指导商业决策。本文在此基础上，进一步探讨了观察和经验如何随着时间的推移塑造更佳的判断力，从而帮助专业人士在未来的情境中做出更明智的决策。

为什么观察对于做出更好的决策至关重要

古代数学家从周围世界汲取灵感进行实践和研究的方式值得我们学习。这也不难理解，因为在当时，数学的驱动力更多地在于解决日常生活中实际问题的难题：如何简洁地表示大量数据、如何平均分割不规则形状的土地、如何计算贷款利息等等。这些问题的答案具有许多更广泛的理论意义，但它们都源于对现实世界的观察，并指导了未来的实践。

你不可能总是能凭空捏造或回忆起某种完美的公式或规律来预测或解释一切。尤其是在你没有两千年数学发展和严谨性作为支撑的情况下。在当今时代，我们往往对轶事发现嗤之以鼻，在很多情况下（数学、科学、医学领域），这的确如此。但我们现在讨论的并非这些！观察是一种非常强大的工具，或许在人际关系中是最强大的工具。这既包括公司内部的关系，也包括与用户、客户或合作伙伴等外部关系。

利用经验改进未来决策

然而，观察最大的问题在于它本质上是经验性的。你不可能在事情发生之前就进行观察，而有时等到事情真正发生后再去思考该怎么做就为时已晚了。

这时，主动的预判就显得尤为重要。你可以运用以往类似情况的经验，对即将发生的事情做出预期，并提前做好准备，以应对局面，引导事态朝着你期望的方向发展。这虽然比不上勾股定理，但在社交和商业关系中，它仍然是一种非常精于算计的方法。

观察与计算的循环

两者构成一个循环。你观察某件事，从中学习，这种观察结果会影响你未来的判断，这些判断又能帮助你更好地应对未来的情况，如此循环往复。这就像杂耍一样。

将观察法应用于会议和商务关系

考虑到这一点，你可以开始思考如何将其应用到你的事业和人际关系中。你的观察结果来自哪里？观察的内容是什么？又记录在哪里？

这些观察结果很可能来源于您的会议和活动，因此它们会留在您的记忆中，理想情况下，也会记录在笔记或会议纪要中。因此，在整理笔记和会议纪要时，您应该考虑如何充分利用它们，将它们作为您在会议中观察和体验的档案。

您可能需要记录观察结果的重要项目包括：

• 定时
• 观察到的文化
• 口述历史
• 出席人员（及其职责）
• 提出的问题

然后，当你需要再次进行类似操作时，你可以回顾之前的观察结果，并开始提出诸如以下的问题：

• “下次我怎样才能做得更好？”
• “如果他们说的是<这样>，我该怎么办？”

这些是你的计算结果。

通过经验培养更好的商业判断力

最棒的是，尽管需要大量的思考、假设和计算，但你所探索的仍然是应对你即将经历的具体现实情境的方法。这让它更容易上手，也让你在开始运用这些经验时，能够轻易地看到何时以及如何从中获益。此外，当你意识到自己正在运用自古以来就被使用和完善的方法时，或许会感到些许安慰甚至自豪！就像古人一样，你将开创属于你自己的实践理论，而这完全基于你自身的经验和对周围世界的观察。

作者：马修·波拉德

经许可转载SIOS

为什么高可用性和灾难恢复现在是业务优先事项

高可用性和灾后恢复这些职责曾经主要被视为IT部门的职责。它们固然重要，但通常被视为幕后管理的科技保障措施。

这种观念正在改变。

在当今的数字经济中，正常运行时间与收入、生产力、客户体验和品牌信任度直接相关。关键系统一旦宕机，其影响远不止于IT部门。交易中断，员工无法使用关键工具，客户感到不满，组织的信心也会迅速下降。

高可用性 (HA) 和灾难恢复 (DR) 不再仅仅是技术上的勾选选项。它们是业务连续性、风险管理和长期韧性的重要组成部分。

要点总结

• 停机时间是企业面临的风险：高可用性和灾难恢复不再仅仅是 IT 任务；它们对收入、品牌信任和业务连续性至关重要。
• 网络韧性是必需的：由于勒索软件以备份为目标，现代灾难恢复需要物理隔离、不可更改的基础设施来保证彻底恢复。
• 复杂性需要自动化：现代混合云、多云和容器环境需要自动故障转移和人工智能驱动的监控来有效管理弹性。
• 主动检测至关重要：混沌工程等技术使 IT 团队能够在不中断生产工作负载的情况下验证恢复准备情况。
• 将韧性与业务影响相结合：恢复时间目标 (RTO) 和恢复点目标 (RPO)必须由具体的财务、运营和监管需求决定。

计算IT停机的真实成本

随着企业对数字化系统的依赖程度越来越高，系统宕机的成本也持续攀升。一次系统故障就可能造成经济损失、运营延误、合规性问题以及声誉损害。

对于医疗机构而言，系统宕机可能导致患者信息获取延迟或医疗服务中断；对于制造商而言，可能导致生产线停工；对于金融服务公司而言，可能导致交易中断并损害客户信心。即使是短暂的宕机也可能造成持久的影响。

公共系统故障往往能迅速引起关注。2024 年的 CrowdStrike 事件就展现了单一技术故障如何影响全球的航空公司、银行和医疗机构。但如今，企业面临着更加蓄意的威胁：定向网络攻击。勒索软件运营者现在会主动攻击备份存储库，阻止企业恢复系统。因此，灾难恢复正与网络安全融合。IT 领导者正将工作重心转移到网络弹性上，确保拥有物理隔离、不可篡改且无法加密的备份。这种方法使他们能够在不支付赎金的情况下恢复“已知干净”的环境。

云和混合 IT 复杂性如何影响灾难恢复

如今的 IT 环境比以往任何时候都更加分散和复杂。企业正在摆脱传统的虚拟机，将关键应用程序迁移到多云平台、混合环境以及 Kubernetes 等容器化基础设施上。每一层都会引入依赖关系，这些依赖关系必须被理解和保护。当一个现代云原生应用程序出现故障时，团队不能仅仅恢复服务器。他们必须恢复使应用程序运行的编排平台、云配置和基础设施即代码 (IaC)。

与此同时，IT团队需要在确保系统可用性的前提下，管理补丁、升级、配置变更、安全需求以及不断变化的业务需求。许多团队还面临资源有限或人员流动导致的知识缺口。

这种复杂性使得仅靠技术难以实现韧性。组织需要清晰的流程、训练有素的团队、完善的文档化程序以及能够简化跨环境可用性的工具。

强大的高可用性和灾难恢复策略有助于减轻这种负担。通过提高可见性、自动化恢复操作和简化管理，企业可以帮助 IT 团队更快、更自信地做出响应。

将高可用性和灾难恢复集成到日常 IT 运维中

高可用性和灾难恢复曾经被视为两个独立的领域。高可用性侧重于在局部故障期间保持系统运行，而灾难恢复则侧重于从更大规模的中断中恢复，例如数据中心宕机、区域性事件或自然灾害。

如今，各个组织需要更加统一的方法。

高可用性 (HA) 和灾难恢复 (DR) 应融入日常 IT 运维，包括例行维护、补丁更新、系统更新和配置变更。团队不应仅仅将这些活动视为可用性风险，而应利用它们来验证故障转移流程并确认恢复准备情况。

定期测试至关重要。每年仅审查一两次的恢复计划可能无法反映当前的基础设施、应用程序依赖关系或人员配置情况。现代高可用性和灾难恢复方法能够实现更频繁的测试，而且通常不会中断生产工作负载。

这使得韧性从被动应对转变为主动预防。

在失败发生之前进行测试

任何组织最终都会面临中断。故障可能源于硬件问题、软件漏洞、人为失误、网络安全事件、云服务中断或意外的外部事件。最重要的是组织能够以多快的速度和多有效的方式应对这些中断。

受控的韧性测试，包括混沌工程等实践，会有所帮助。

混沌工程是指在系统中引入可控故障，以了解系统在压力下的响应。其目标是在系统出现真正故障之前发现并解决其弱点。这些测试有助于团队识别隐藏的依赖关系、改进恢复流程，并在事件发生时明确各方的角色。

这个概念类似于应急演练。在可控条件下进行演练的团队，在真正发生突发事件时能够更好地应对。

借助合适的工具，IT 团队无需将生产系统离线即可验证配置、确认故障转移就绪情况并培训员工。这既能增强运营信心，又能降低意外故障的风险。

自动化对于增强韧性至关重要

随着基础设施的扩展，人工恢复流程的管理难度越来越大。尤其是在高压突发事件中，人为响应可能速度缓慢、效果不稳定且容易出错。

自动化如今已成为高效高可用性 (HA) 和灾难恢复 (DR) 的关键，并且正在迅速发展成为人工智能驱动的弹性架构。自动化防御型人工智能可以监控系统，检测异常情况，并在系统彻底崩溃之前触发智能故障转移。预测分析有助于识别预示未来硬件故障或流量高峰的模式。当团队能够根据这些早期预警信号采取行动时，他们就可以在用户受到影响之前解决问题。

易用性也至关重要。高可用性 (HA) 和灾难恢复 (DR) 解决方案不应要求用户具备深厚的专业知识才能完成每一项任务。清晰的界面、简化的配置和强大的可视性有助于通用型 IT 团队更有效地管理系统弹性。这可以减轻运维负担并降低出错的概率。

业务优先事项应指导防护

并非所有应用程序都需要相同级别的保护。有些系统可以容忍短暂的延迟或有限的数据丢失，而另一些系统则必须保持可用状态，且中断时间必须尽可能短。

因此，高可用性和灾难恢复规划应该从业务影响入手。

组织需要明确哪些应用程序最为关键，停机会对运营造成哪些影响，以及需要达到何种恢复级别。恢复时间目标 (RTO) 和恢复点目标 (RPO) 应反映实际业务需求，而非假设。

这有助于避免两个常见问题：过度保护不太重要的工作负载和保护关键系统不足。

这种一致性不再仅仅是最佳实践，在许多情况下，它已成为一项法律要求。各国政府和监管机构正将运营韧性转化为一项严格的强制性规定。例如，欧洲的《数字运营韧性法案》（DORA）以及美国证券交易委员会（SEC）更为严格的信息披露规则，都迫使董事会不仅要记录在案，更要证明其恢复能力。

当高可用性 (HA) 和灾难恢复 (DR) 策略与业务优先级保持一致时，领导者可以更容易地向审计人员证明合规性，并就基础设施投资做出更明智的决策。当韧性与业务成果直接挂钩时，就更容易证明其合理性。

高管层的参与也至关重要。可用性应与财务风险、合规性、客户体验和运营绩效一并讨论。当领导层将正常运行时间视为共同责任时，韧性就会成为组织文化的一部分。

建立备灾文化

近年来，各种因素都可能造成干扰。软件故障、供应链问题、网络安全事件、人员变动、基础设施问题以及云服务中断都可能产生影响。业务连续性。

最具韧性的组织不仅仅是构建冗余系统，它们还会营造一种随时准备应对挑战的文化。

这意味着要制定恢复计划，定期进行测试，随着环境变化更新流程，并将系统弹性融入日常IT决策中。这也意味着要确保关键知识不会集中在某个人或团队手中。

做好准备不是一劳永逸的事情，而是一项持续不断的技能。

通过将高可用性和灾难恢复融入日常运营，组织可以降低不确定性，并提高即使面对意外事件也能提供可靠服务的能力。

结论

高可用性和灾难恢复已不再仅仅是技术上的勾选选项，它们现在是业务弹性的核心组成部分。

企业依赖关键应用程序来服务客户、创造收入、支持员工并维护信任。一旦这些应用程序不可用，企业就会立即感受到影响。

随着IT环境日益复杂，韧性需要人员、流程和技术的合理结合。将高可用性和灾难恢复纳入更广泛业务规划的组织，将更有能力应对中断、保障正常运行时间，并在变幻莫测的世界中保持信心。

目标不再仅仅是失败后的恢复，而是要让业务持续发展！

作者：Benjamin Roy，SIOS 市场专员

经许可转载SIOS