云斷電難免發(fā)生，但對于象AWS這樣的主流廠商來說，并不常見。看看Azure、Google、Rackspace和其他IaaS供應(yīng)商在2014年的表現(xiàn)。

今年的云斷電數(shù)據(jù)表示，越來越多的成熟公有云可以更好的避免云斷電發(fā)生，但還是有些出乎意料的情況出現(xiàn)。

云廠商不斷的在他們的平臺上傾注大量的資金和策略以增加可靠性。扣除那些低端的公有云，運(yùn)行時(shí)間已經(jīng)大為改善，但有一個主要的例外，一家位于波士頓的云咨詢公司云技術(shù)合作伙伴的高級副總裁David Linthicum說到。

“雖然公有云供應(yīng)商擴(kuò)張的很快，他們似乎在經(jīng)營他們的業(yè)務(wù)上也變得越來越聰明，可能除了微軟以外，因?yàn)槲④涍€是犯了些很愚蠢的錯誤，”Linthicum說道。

在眾多大型公有云廠商之中，Amazon EC2在過去一年保持了最長的運(yùn)行時(shí)間，在全球所有區(qū)域內(nèi)總共只停機(jī)了2.43小時(shí)，據(jù)CloudHarmony指出。CloudHarmony是一家位于加州Laguna Beach的公司，負(fù)責(zé)第三方獨(dú)立的監(jiān)控云廠商運(yùn)行時(shí)間。

微軟Azure，在11月18日有過眾所皆知的跨區(qū)域大斷電，在眾多大型廠商之中有著最長的，接近40小時(shí)的計(jì)算服務(wù)斷電時(shí)間，根據(jù)CloudHarmony的說法。

“有些服務(wù)已經(jīng)運(yùn)行了較長的時(shí)間并且比其他的服務(wù)更穩(wěn)定一點(diǎn)，這是因?yàn)樗鼈円讯冗^了粗糙和不穩(wěn)定的階段，解決了比其他服務(wù)更多的問題，” CloudHarmony的創(chuàng)始人Jason Read說道。

運(yùn)行時(shí)間的改善多半歸功于經(jīng)驗(yàn)，額外的數(shù)據(jù)中心用作故障轉(zhuǎn)移，更多的自動化，更好的內(nèi)部溝通和更快發(fā)現(xiàn)導(dǎo)致斷電的規(guī)律的能力，Linthicum說道。

供應(yīng)商們花費(fèi)大量的金錢來維護(hù)他們的服務(wù)并變得更積極主動，因?yàn)橐贿B串的斷電事件將成為企業(yè)購買云服務(wù)時(shí)考慮總體擁有成本的首要因素。

AWS表現(xiàn)最佳

根據(jù)他們的合作伙伴表示，亞馬遜Web服務(wù)(AWS)在之前幾年有過備受矚目的斷電事件，但在今年，這方面卻完全無聲無息。

“我們有過一些服務(wù)影響及一些緩慢的狀況，但就我所知我們沒有一個客戶有遇到停機(jī)的情形，”一家位于華盛頓州Liberty Lake的云咨詢公司，Amazon的合作伙伴，2nd Watch的CTO Kris Bliesner說道。

這家公司原本計(jì)劃開發(fā)一個可以替他們顧客在斷電時(shí)作為早期預(yù)警系統(tǒng)的應(yīng)用。但這個計(jì)劃現(xiàn)在已經(jīng)在他們的開發(fā)列表上優(yōu)先級降到最低，Bliesner說道。

“我們只是不再看到那么多斷電了，”Bliesner說。

某種程度上，這很可能是因?yàn)锳WS已經(jīng)發(fā)展出設(shè)計(jì)大規(guī)模并高度可靠的基礎(chǔ)架構(gòu)的能力，并度過了成長過程的痛苦時(shí)期，那些現(xiàn)在正影響著其他那些不太成熟的云供應(yīng)商，Bliesner說道。

這正是從AWS副總裁兼杰出工程師James Hamilton那里傳達(dá)出的訊息之一。Hamilton在今年的re：Invent大會上展示了Amazon的大規(guī)模創(chuàng)新。

Amazon已經(jīng)開始設(shè)計(jì)他們自己的網(wǎng)絡(luò)，存儲和服務(wù)器設(shè)備，而這使他們的成本下降并增強(qiáng)了可靠性，Hamilton說道。

“企業(yè)總是對網(wǎng)絡(luò)設(shè)備供應(yīng)商提出許多復(fù)雜的要求，而供應(yīng)商則將所有這些復(fù)雜的要求匯總成數(shù)千萬行的無法維護(hù)的代碼，而那就是我們最終得到的東西，”Hamilton在他的演講中說道。“我們不用所有的那一整套東西。。。為什么我們的設(shè)備比較可靠的原因是因?yàn)槲覀儧]有選擇去解決那么困難的問題。”

Amazon對于每周不斷加強(qiáng)他們的基礎(chǔ)架構(gòu)監(jiān)測指標(biāo)是近乎“信仰性”的，而這也加強(qiáng)了他們的可靠性，Hamilton說道。AWS的可用區(qū)(AZ)系統(tǒng)將多個數(shù)據(jù)中心連接至數(shù)個AZ里面，而這些AZ為了保持高可用性都有同步鏡像處理。例如關(guān)系數(shù)據(jù)庫服務(wù)(RDS)的服務(wù)都有提供多AZ復(fù)制的功能，增加了數(shù)據(jù)被重復(fù)冗余存儲地點(diǎn)的數(shù)量。

AWS的客戶也從經(jīng)驗(yàn)中學(xué)到關(guān)于要創(chuàng)建更有彈性的應(yīng)用。當(dāng)RDS被第一次推出，26%的客戶使用了多AZ復(fù)制的功能。這個數(shù)字現(xiàn)在已經(jīng)增加到了40%，而目標(biāo)是增加到70%，據(jù)Hamilton說。

在AWS云系統(tǒng)中的新數(shù)據(jù)庫，例如Aurora，則提供了更強(qiáng)的彈性。這個彈性源于AWS對于數(shù)據(jù)庫底層的存儲引擎的重構(gòu)，而這個引擎存在于Aurora內(nèi)部與主數(shù)據(jù)庫完全隔離，這樣在錯誤時(shí)便能夠很快速的恢復(fù)。Aurora也會將數(shù)據(jù)復(fù)制三次，在AZ間創(chuàng)建六份拷貝。

Amazon的數(shù)據(jù)中心設(shè)計(jì)也經(jīng)過不斷改良來提供最佳的可靠性，根據(jù)Hamilton的說法。數(shù)據(jù)中心最多可存放5萬到8萬個服務(wù)器。

“我們可以很輕松的構(gòu)建更大的數(shù)據(jù)中心，但是……越大就越有風(fēng)險(xiǎn)，萬一出了什么問題，損失將會是巨大的，”Hamilton說。

因?yàn)锳WS從經(jīng)驗(yàn)中學(xué)到如何在它們規(guī)模化的同時(shí)優(yōu)化可用性，那些較晚涉足基礎(chǔ)架構(gòu)即服務(wù)(IaaS)市場的AWS競爭者們可能還是會遇上過去Amazon常發(fā)生的那些眾所周知的斷電事件，根據(jù)Bliesner的看法。

“在某種程度上來說，如果Azure或Google想要競爭，他們就必須要做出可擴(kuò)展性的飛躍，而客戶是否會在那個擴(kuò)展的過程中面臨更高的斷電風(fēng)險(xiǎn)呢?”他說道。“我的猜測是會。”

但是，Amazon在一個領(lǐng)域上是落后于Google云的。Google云存儲發(fā)生過八次斷電，總時(shí)長為14.23分鐘，而Amazon的S3發(fā)生過22次斷電，總時(shí)長2.66小時(shí)，根據(jù)CloudHarmony的說法。沒有什么可以萬無一失

級聯(lián)錯誤會發(fā)生，而當(dāng)公有云供應(yīng)商碰上大斷電時(shí)，基本上都是因?yàn)槿藶殄e誤，而不是硬件基礎(chǔ)架構(gòu)故障，一家位于康涅狄格州Stamford的Gartner公司的分析師Jonah Kowall說道。

“雖然他們用了所有最佳的辦法來避免這些問題，但在一個不斷變化的復(fù)雜系統(tǒng)里， [斷電] 就是會發(fā)生的，”Kowall說道。企業(yè)通常來說總是反應(yīng)慢了些，因?yàn)樗麄冸y免會過度設(shè)計(jì)他們的基礎(chǔ)架構(gòu)和流程，Kowall說道。云帶來了一種有點(diǎn)像“第22條軍規(guī)”那樣的自相矛盾的狀況，因?yàn)樵频奈酥幵谟谒俣群兔艚菪裕^短且沒經(jīng)過仔細(xì)審查的更新周期會帶著錯誤，從而為顧客制造出問題，他補(bǔ)充道。

定期重啟通常是計(jì)算停機(jī)的原因，這也暗示了一個管理不良的基礎(chǔ)架構(gòu)，Read說道。

“廠商總會有斷電的時(shí)候，”Read說道。“而好的廠商會完整的調(diào)查，找出根本原因是什么，通過改變策略或軟件來保證這種同樣的事件不會再度發(fā)生。”

而從這些錯誤中學(xué)習(xí)往往會有助于跨平臺，根據(jù)Paul Voccio，Rackspace Hosting的軟件開發(fā)副總裁表示。

“隨著這個產(chǎn)業(yè)的不斷成熟，每個人都在互相學(xué)習(xí)要如何規(guī)模化的運(yùn)營他們的服務(wù)器，并且以可提供支持的方式，”Voccio說道。

在Rackspace位于圣安東尼奧的總部，Voccio在他桌前有著兩面巨大的屏幕來監(jiān)測公司公有云的數(shù)據(jù)。而當(dāng)其他云的新興領(lǐng)域受到更多關(guān)注時(shí)，幾乎沒有什么能和保持運(yùn)行時(shí)間在公司內(nèi)部所受到的關(guān)注一樣。

“顧客們是真心期待我們能夠時(shí)時(shí)刻刻保持運(yùn)行的狀態(tài)的，”Voccio說道。“而我們也對此非常重視。”

Rackspace，聲稱從2009年開始就保持著在所有數(shù)據(jù)中心都有99.999%的運(yùn)行時(shí)間，他們每周都舉行會議來討論系統(tǒng)性能并確保定期的維護(hù)不會產(chǎn)生沖突。這家公司非常重視他們數(shù)據(jù)中心的彈性和冗余性，并了解到隔離集群對于快速診斷問題和確保問題不會影響到其他的數(shù)據(jù)中心來說是非常關(guān)鍵的，Voccio說道。

Rackspace的計(jì)算云在過去一年全部區(qū)域的斷電時(shí)間為7.52小時(shí)，據(jù)CloudHarmony表示。這家公司成為了焦點(diǎn)，當(dāng)他們遇到一個Xen 虛擬機(jī)程序的bug而不得不重啟的時(shí)候，外界對于他們處理該事件的方式給與了批評。

很難告訴客戶我們遇上了一個必須解決的問題，但客服不能和他們說，因?yàn)楣窘拐務(wù)摚琕occio說道。

Rackspace常常拿他們所謂的狂熱技術(shù)支持來做為其品牌特點(diǎn)，但Voccio提到，他跟同事們說，如果顧客在不用尋求技術(shù)支持的幫助前就得到他們想要的，那不是更好嗎。

“雖然，是的，我們總是很樂意為大家服務(wù)，但大部分客戶都希望他們永遠(yuǎn)不需要打這個電話，”Voccio說道。

透明度仍然是障礙

供應(yīng)商們確實(shí)在他們的網(wǎng)站上提供了幾周的運(yùn)行信息，但是TechTarget聯(lián)系到的廠商沒有一家提供年同比的數(shù)據(jù)。

廠商們對于公開信息持猶疑的態(tài)度，有些連提到何時(shí)系統(tǒng)有小錯誤或者部分?jǐn)嚯姲l(fā)生也不肯，Read說道。而狀態(tài)頁面的可靠性也可能有問題，加上如果供應(yīng)商們托管他們自己的網(wǎng)站，一次斷電將會清空供客戶查看的監(jiān)控儀表板。

“我們看到的部分問題是，許多著名的企業(yè)云提供商限制了你能夠驗(yàn)證他們是否正常工作的能力，對于SaaS來說，尤其如此，”Kowall說道。

大多數(shù)人試圖通過軟件從世界各地每隔幾分鐘登錄，進(jìn)行幾個操作來模擬用戶，以確保功能正常，但廠商們不喜歡這樣，因?yàn)檫@會增加系統(tǒng)額外的負(fù)擔(dān)，Kowall說。廠商試圖通過合約來限制這種行為，而更有可能的是，他們不希望人們讓他們?yōu)榉€(wěn)定性負(fù)責(zé)，這就是問題所在，他補(bǔ)充說。

“你必須同他們協(xié)商，在他們系統(tǒng)內(nèi)你的哪些行為是允許的，”Kowall說道。

廠商們應(yīng)該要做得更多來增加云的透明度，這樣顧客才知道系統(tǒng)里發(fā)生了什么，Rackspace的Voccio說道。

“客戶想要了解更深層的信息，”Voccio說道。“這會讓廠商更加猶豫，所以我們正在研究方法為整個系統(tǒng)提供更高的透明度。”

Google拒絕接受采訪，但是發(fā)表了一個聲明，稱公司致力于讓Google云平臺可靠。

微軟的發(fā)言人拒絕對此報(bào)告發(fā)表評論。