如何确保云服务的可靠性

【大咖・来了 第7期】10月24日晚8点观看《智能导购对话机器人实践》

从客户的角度来看，云服务应该只是工作。但是，服务的中断其实是不可避免的，这不是一个“是否会发生”的问题，严格意义上是“何时会发生”的问题。不管在线服务的设计和建成是如何的精炼，都会不可避免的遭遇到突发事件的发生。区别就在于服务提供商如何预测，并及时的从这些情况中进行恢复。从而保证客户的体验。

指导设计原则

云服务的三大设计指导原则：1、数据的完整性，2、容错能力，3、快速恢复。这些是客户期望满足的三大属性，至少，要在他们的服务中保证这三大属性。数据完整性是指保护客户委托服务的信息的保真度。容错能力是服务供应商能够检测到故障，并自动采取纠正措施，以便使得服务不会发生中断的服务能力。快速恢复能力是指在未预料到的故障发生时，能够迅速而完全的恢复服务的能力。

作为服务商，我们需要尽可能的提前识别并找出各种潜在的故障，然后在服务设计阶段对这些情况进行充分的考虑。这种周全的计划可以帮助我们决定如何确切地服务，并在发生意想不到的挑战时如何做出反应。服务必须能够从这些故障的情况下进行恢复，并保证最小的中断。虽然我们不能预测到每一个故障点或每一失效模式，但利用前瞻性、业务连续性规划和大量的实践，我们可以制定一套紧急预案的流程，以备不时之需。

根据云计算的特点，其可以被描述为一个复杂的系统组成，依赖于共享的基础设施和松散的耦合的性，许多特性都是在供应商的直接控制之外。传统上，许多企业维护的内部部署的计算环境，能够让他们直接控制他们的应用程序，基础设施和相关服务。然而，随着云计算的使用量的持续增长，很多企业都纷纷开始选择放弃一些控制权，以降低成本，充分利用资源的弹性(例如，计算、存储、网络资源)，促进业务的灵活性，以及??更有效地利用他们的IT资源。

理解团队的角色定位

从工程服务团队的角度来看，设计和建筑服务(相对于盒产品，或企业内部部署的解决方案)意味着扩大了他们的责任范围。在设计企业内部部署的解决方案时，工程团队只需要设计建造并测试服务，将其打包，然后根据软件操作建议所描述的计算环境进行发布即可。而相比之下，工程服务团队在设计建造并测试服务之后，还要进行相关的部署和监控，以便确保服务的继续运行，如果有突发事件，他们需要确保尽快的解决。而且工程服务团队经常对服务计算环境具有更少的控制权!

采用故障模式及影响分析

许多服务团队采用故障模型(FMA)和根本原因分析(RCA)，以帮助他们提高服务的可靠性，防止故障的发生。我的看法是，这些都是必要的，但还不够。相反，设计团队应采用故障模式及影响分析(FMEA)来帮助确保更有效的结果。

FMA通过可重复的设计流程旨在识别和减轻服务设计过程中的故障。RCA包括识别和确定导致有害结果的性质、规模、位置和时间因素。一套整体的终端到终端的FMEA方法的主要好处包括全面的故障点和故障模式综合图，能够形成一个工程投资的优先级列表，以减轻已知故障的映射。

FMEA运用系统可靠性工程师技术的开发研究，发现可能出现的(复杂的)系统故障问题。研究通过评估严重程度、发生的频率和检测能力来了解故障影响可能存在的问题，以便基于不同的风险优先处理所需工程投资。

准备阶段：在此步骤中，重要的是要理解系统的完整性，生成一个完整的系统的逻辑图，包括其组成部分、数据源和数据业务流。使用模板来完成，这提高了整体的分析结果，通过提供可能的故障点，设计团队可以发掘到重要的线索。

发现组件间的相互作用：一切都在这一步的范围内。从前面所指出的逻辑图开始，以确定所有的组件是否容易运行失败。了解所有组件(连接器)之间的相互作用，以及每个组件如何在完整的系统中发挥作用。