AWS运维之道：将宕机时间减少7倍

昨日麦当劳小程序出现宕机的事情上了热搜，服务器宕机在服务商眼中看来是一件习以为常的事。那么全球哪家服务商宕机的时间最少，AWS最有发言权。

市场上有一些公开的监测数据，例如从downdetector.com和cloudharmony.com获得的数据，还有一些服务商骄傲地称他们的宕机时间比他们的同行要短，比如亚马逊云服务(AWS)称2018年第二大云计算公司的宕机时间是AWS的7倍。

AWS占据着全球云市场近一半的份额，理论上来说，越大越容易出错，AWS怎么做来减少宕机时间？

AWS数据中心的电力冗余设计

从电力供应开始说起，柴油发电机、配电室(E-house)、UPS备用电源等方面来说，令人印象深刻的是，为了减少可能出现的故障，AWS在采用现有商业方案的基础上，放弃了很多原来的东西，自行设计了控制电路代码。可以看到AWS在基础设施控制方面的能力。

根据AWS的观点，这些控制软件可能会有bug，如果bug发生了，服务商不能在短时间内完成修复，而如果软件本身是自己写的，则可以迅速修复。

为保证电力供应，AWS将在外部电网供电和内部机组的基础上，增加一组发电机，并采用冗余供电方式，冗余设计贯穿于整个结构设计的各个方面，但这将大大提高复杂性，而且越复杂越危险。

AWS在Switch Gear(配电控制系统)和UPS系统的优化改造中，AWS通过自己写软件控制系统，删除了一些无用的功能，增加了部分对AWS有用的功能，降低了系统的复杂性，提高了系统的可靠性。对UPS系统进行改造时，采用标准的小容量电池，减少了电池爆炸的危险，减小了爆炸半径。

AWS数据中心层设计冗余

大约在2000年，当时还没有AWS,Amazon在美国西雅图有一个数据中心，随着业务的扩张，亚马逊开始意识到海啸和地震的潜在危险，无法将所有信息都放在这里，于是想在美国东海岸建立一个数据中心，因为那里没有地震海啸的威胁。

由于两个数据中心距离过近，可能会遭受相同的自然灾害，如果距离过远，延迟会导致数据同步问题同样令人无法接受，而这是由美国东西海岸的距离引起的。因此，两个数据中心之间需要保持一定的安全距离，并保证延迟在一毫秒之内。

同样，AWS强调多AZ(Avaibable Zone)不同于多机房，AWS每一个Region至少有三个AZ,AWS认为多AZ之间应该保持一定的距离，以减少外部环境同时对多个AZ造成的影响，从而提高服务的可用性。

从Region的观点来看，AWS为了减少Region之间可能产生的干扰，设计原则上单独使用单个Region，一个Region出现的问题不会被传递给其他Region，在Region的级别提供冗余。

AWS供应链保障

2020年时，黑天鹅满天飞，突如其来的疫情，在线业务量急剧增长，迫使所有的云厂商都在加班，忙于扩展资源，AWS也不例外，据推测，AWS的规模远远超过了大多数云厂商。

AWS为保证扩张的顺利进行，在供应链采购管理方面采取了多元化战略，服务商数量多，覆盖范围广，在数量上有了很大的提高。目前，AWS的供应链系统在7个国家覆盖86个服务商，以保证供应链的稳定性。

到了2020年，全球爆发疫情，多元化管理的确是非常有价值的，疫情的不确定性对供应链提出了挑战，很多国家的生产环节和清关效率都出了问题。

从可用性角度看，公有云作为一种公开可见的服务，更容易引起公众的关注，从而使人们认为它更容易失败。

除了客观感受之外，因为公有云作为一种服务，而非一个on-premise产品的盒子，需要考虑更多的东西，比如电力、网络、运营能力等等，确实很考验云商的综合实力，需要无数的技术创新来创造更高的可用性和业务连续性。

随着一步步迭代和发展，技术只会更成熟，运营经验会更丰富。