在去年的世界杯比賽期間，Nate Silver和他在地窖里的通靈巫師也犯了錯誤——他是如何做到如此精準的預測呢?確實錯了。他們完全預測錯了德國與巴西的比賽結果。正如Silver所描述的，這是一場完全不可能預測準確的比賽。
在體育和范圍更小的政治領域，遇到這種事情也只能是吞下苦果，接受這個偶然事件——統計行業中稱為黑天鵝，然后繼續原本的生活。
但是作為網絡管理員，我們知道在IT行業中不應該采取這種方式。
按照我的經驗，當IT系統出現黑天鵝事件時，管理層通常會對這種事件諱莫如深。隨后就會召開一個“經驗總結會”，目的是傳遞精神保證以后不再發生類似的系統宕機事件。
不要花太多的時間去研究可能發生的事情
這里我并不是說，在發生故障之后，我們就可以無憂無慮地忽視所有已經學到的經驗教訓。相反，我們要遠離它。在故障消失之后，你通常能夠發現未來避免問題發生的方法。在發生意外事件之后，一個IT組織應該做的第一件事就是未來是否能夠預測故障，或者說是否有時候歷史數據不足以確定一種固定的概率。
如果是后者，那么我可以告訴你，你更應該將精力投入到其他地方。更好的方法是什么?不要花時間都確定一種可能性是否存在，而應該去發現和克服IT每天都會遇到的常見問題。現在很多人都忽視了這種策略。
不信?那我們來看另一個例子，這不是一個虛構的公司，我知道這個公司曾經遇到一次嚴重的IT故障，因此遭受了近10萬美元的損失。管理層當然非常不安。公司很快建立了一個工作小組去確定故障的根源，然后推薦一些措施避免將來發生相同的故障。聽起來很合理，是嗎?
這個工作小組由5位來自于服務器、網絡、存儲、數據庫和應用程序團隊的成員構成。他們花了三個月時間和每個月超過100個人時的時間去調查問題根源。保守地估算，假設這家公司的每小時人力成本為50美元。那么5人、100個小時、3個月折算過來就是近12.5萬美元。
現實并非想象的那樣合理
是的，最終不僅所有根源問題都找到了——至少找到了大部分，而且也添加了代碼，(可能)預測下次相同事件的爆發。聽起來似乎并不差。但是要記住一點：這家公司花費了比原先故障的損失還多2.5萬的資金去創建一個系統宕機解決方案，而這個方案還不一定能準確地預報類似事件的發生。
似乎它并不是很合理。
你可能會想：“但是，你覺得我們應該關注于什么呢?畢竟，我們的職責就是和公司其他同事一起守住底線(不讓系統宕機)。”
我明白這一點，我要強調的重點并不是這個。我們來對比一下前面的黑天鵝例子，一起來看看一個更常見的問題：網絡接口卡(NIC)故障。
在這個例子中，另一個并非虛構的公司發現帶寬使用峰會并且一直很高。當傳輸速率下降到最低，然后NIC招聘錯誤，并且最終卡死。問題是，在監控帶寬使用率時，停止響應或消失的網卡上并沒有發出警報(公司監控了最后連接的IP，因此遠程終端中斷時WAN鏈路并沒有發出警報。)
我們假設一個NIC故障平均需要一個小時才能被發現和正確診斷原因，然后網絡管理員需要兩個小時才能修復問題，而他們的人力成本是53美元每小時。在線路中斷時，公司每小時要損失1000美元的收入，并且還會失去市場機會等等。這意味著這樣的宕機會讓公司損失3106美元。
設置一個包含警報和監控的框架
現在可以這樣考慮，按照我的經驗，正確的監控和警報可以將發現和診斷這種NIC故障問題的時間縮短為15分鐘。僅此而已。不需要任何其他的措施，至少在這個案例中不需要。但是，這種簡單的措施可以將宕機損失減少750美元。
我知道這些數字聽起來并不太震撼。但是，要知道中等規模的公司可能每年就可能輕松遇到100次NIC故障。如果沒有監控這些問題，加起來就是30萬美元的損失，而如果部署警報則每天可以節省7.5萬美元。
這還不算預測NIC故障和提前更換網卡所避免的損失。如果我們估計使用預測監控能夠避免掉50%的故障，那么可能節省的費用可能在19萬美元以上。
同樣，我并不是說不應該去做好應付黑天鵝事件的準備工作，但是如果預算比較緊張，有時候一些針對常見問題的簡單警報所能避免的損失要高于去預測和防止可能不出現的“大問題”。
畢竟，NIC故障并不是大問題。甚至我認為Nate Silver也認同這一點。
京公網安備 11010502049343號