鐵道部售票網(wǎng)12306“三天兩宕” 脈山龍數(shù)據(jù)中心運維專家支招
深圳2012年12月28日電 /美通社/ -- 繼12月24日“因機房空調(diào)系統(tǒng)故障”停止售票數(shù)小時之后，12月26日上午鐵道部12306訂票網(wǎng)站再度癱瘓，直到傍晚6點鐘左右才恢復正常，公告原因仍是“空調(diào)系統(tǒng)故障”。從事數(shù)據(jù)中心運維服務近10年的專家、脈山龍公司服務業(yè)務部總經(jīng)理謝飛對此提出了專業(yè)的見解和建議，從數(shù)據(jù)中心運維角度為12306支招。
鐵道部售票網(wǎng)（www.12306.cn）“三天兩宕”，引發(fā)業(yè)界、媒體及網(wǎng)友質(zhì)疑的同時，即將到來的春運購票高峰期更讓不少旅客憂心忡忡?？照{(diào)故障是導致售票網(wǎng)站癱瘓的罪魁禍首嗎？為什么機房空調(diào)故障會導致網(wǎng)站售票系統(tǒng)無法正常運行呢？在現(xiàn)有技術(shù)架構(gòu)下，如何能有效降低設備故障率，保障售票網(wǎng)站正常運行呢？從事數(shù)據(jù)中心運維服務近10年的專家脈山龍公司服務業(yè)務部總經(jīng)理謝飛提出了專業(yè)的見解和建議，從數(shù)據(jù)中心運維角度為12306支招。
12306癱瘓原因解析：空調(diào)故障是造成系統(tǒng)癱瘓的重要因素
回顧12306歷次停擺事件，網(wǎng)站技術(shù)架構(gòu)及中標的相關(guān)服務方都成為被外界質(zhì)疑的熱點話題。數(shù)據(jù)中心運維整體服務商脈山龍公司服務業(yè)務部總經(jīng)理謝飛認為，12306本質(zhì)上與蘇寧易購、京東商城、淘寶網(wǎng)等電商網(wǎng)站一樣，對同時并發(fā)訪問和下單的響應要求極高，但鐵路售票系統(tǒng)需要處理大量車次、坐席、時間等查詢?nèi)蝿眨瑢Ψ掌髡埱筇幚淼哪芰σ蠓浅Ｖ摺Ｔ诂F(xiàn)有技術(shù)架構(gòu)下，鐵道部為提高響應速度和購票體驗，不斷增加服務器等硬件設備和功耗無疑給既定的空調(diào)系統(tǒng)和動力系統(tǒng)帶來沉重的負擔，壓縮了動力系統(tǒng)和制冷系統(tǒng)冗余空間，可能一臺空調(diào)設備發(fā)生故障就會導致整個機房的溫度上升，最終導致服務器過熱而宕機。
謝飛表示，空調(diào)系統(tǒng)非常重要，數(shù)據(jù)中心內(nèi)的服務器、存儲、網(wǎng)絡設備等硬件運行時產(chǎn)生大量的熱量，對于制冷的要求非常之高。國標對于機房的溫度要求一般在23±2度，一般的服務器如果進風口溫度在40攝氏度以上，服務器就會因為熱保護自動關(guān)機。如果機房溫度超過30攝氏度就有可能導致部分熱積聚區(qū)域的服務器宕機，機房溫度在35攝氏度以上就可能有較多的服務器宕機，超過40攝氏度，將會有大部分的服務器宕機。一旦空調(diào)故障停機，機房內(nèi)的溫度會迅速升溫，半個小時內(nèi)機房溫度就可達到50攝氏度以上，這時大部分服務器等設備都會因為過熱而宕機，造成系統(tǒng)癱瘓?？照{(diào)故障是造成系統(tǒng)癱瘓的一個很重要的因素。
專家支招：災備是前提，運維管理是根本
數(shù)據(jù)中心常見故障如斷電、空調(diào)故障、UPS 故障、網(wǎng)絡接口線路松動等，空調(diào)故障可能只是造成12306宕機的一個原因，但一般數(shù)據(jù)中心都有備用空調(diào)、UPS 等設備，并輪流使用和定期保養(yǎng)，一旦遇到設備故障，可實現(xiàn)平滑無縫切換備用設備，不會影響系統(tǒng)正常運行。謝飛認為，12306這種支撐超大訪問量的數(shù)據(jù)中心應該也配有備用空調(diào)，“空調(diào)故障導致系統(tǒng)停止運行，極大可能是運維技術(shù)團隊對空調(diào)系統(tǒng)和數(shù)據(jù)中心的日常運維的缺位?！?/p>
同時，為保障業(yè)務的連續(xù)性，目前大部分企業(yè)的數(shù)據(jù)中心都設有災備中心，通常采用雙機熱備、定時備份以及異地存儲和備份的方式，尤其是金融行業(yè)已經(jīng)開始引入虛擬化和云計算的新技術(shù)，形成“兩地三中心”的備份模式，能確保數(shù)據(jù)的安全。謝飛建議，如果12306業(yè)務均集中在一個數(shù)據(jù)中心處理，安全系數(shù)非常低，一定要考慮建設備份中心，進行數(shù)據(jù)的實時傳輸和容災備份，這是數(shù)據(jù)中心安全運行的前提。一旦主數(shù)據(jù)中心癱瘓，系統(tǒng)就可以實時切換到備份中心繼續(xù)運行。
他還建議，數(shù)據(jù)中心運維團隊應對監(jiān)控報警系統(tǒng)進行測試和檢查，一旦機房空調(diào)系統(tǒng)故障導致機房內(nèi)溫、濕度升高或設備出現(xiàn)溫度告警等異常現(xiàn)象時，還應執(zhí)行機房空調(diào)故障應急處理預案，將影響降到較低。
有著豐富經(jīng)驗的謝飛，作為脈山龍公司服務業(yè)務部負責人，目前掌管著包括金融、商業(yè)連鎖、通信電子、政府等行業(yè)上千家企業(yè)機構(gòu)的數(shù)據(jù)中心運維服務業(yè)務。以他多年的運維經(jīng)驗來看，備份和運維缺一不可，可以保障業(yè)務連續(xù)不中斷，但是，“即使采取各個層次的容災備份方式，建立了災備中心，運維服務管理仍然是問題的根本所在，良好的運維服務管理能使數(shù)據(jù)中心保持健康狀態(tài)，也只有服務管理才能防患未然、真正降低故障率?！敝x飛提到本月中旬網(wǎng)傳中行信用卡 IBM 大機宕機超過4小時的事件，他指出盡管大型機一般都很穩(wěn)定，但發(fā)生宕機或故障后，未能及時切換災備、快速恢復運行，還是跟系統(tǒng)監(jiān)控檢查、監(jiān)控預警、日常的運營演習、災備演習等日常運維存在很大關(guān)系。
建立在一系列標準運維流程基礎(chǔ)上的數(shù)據(jù)中心運維服務管理，可以跟蹤記錄設備的動態(tài)歷史運維數(shù)據(jù)，通過分析這些數(shù)據(jù)提供數(shù)據(jù)中心的健康狀態(tài)，為用戶的 IT 決策提供依據(jù)?！爸匾暺鸱盏墓芾恚?2306可以實現(xiàn)數(shù)據(jù)中心各個子系統(tǒng)健康狀況的可視化，在設備還沒有出現(xiàn)故障之前，就已經(jīng)及時進行了維修或更換，機房的可用性就能得到極大提升”，謝飛總結(jié)道，“T4的機房規(guī)劃還需要T4的運營管理?！?/p>
