数据中心的设计旨在提供高可靠性，其优势包括强大的物理安全措施、可靠的电力系统和冗余的网络基础设施。这些特性使得数据中心比许多其他IT环境更不容易发生故障。
　　
　　然而，即使是最先进、管理最完善的设施也无法完全避免中断。最近发生的AWS、Cloudflare和Microsoft Azure等公司的服务中断事件提醒我们，没有任何数据中心能够保证100%的正常运行时间。
　　
　　这凸显了采取积极措施降低数据中心中断风险的重要性，无论您的设施看起来多么可靠。
　　
　　数据中心中断的原因是什么?
　　
　　预防数据中心中断的挑战之一在于，导致停机事件的潜在原因有很多。
　　
　　停电会导致数据中心离线。网络连接故障也可能导致中断，即使数据中心本身仍在运行。物理安全漏洞以及网络安全攻击都可能危及系统。自然灾害也可能发生。冷却系统可能发生故障，需要关闭服务器作为预防措施，以防止过热。
　　
　　类似的情况还有很多，但很明显，预测可能导致数据中心瘫痪的原因非常困难。因此，与其试图为特定的故障场景做好准备，不如专注于那些能够最大限度地降低任何类型故障风险的策略，同时帮助您快速恢复，无论故障的根本原因是什么。
　　
　　避免数据中心故障的技巧
　　
　　以下是一些有助于全面降低故障风险的策略。
　　
　　1.投资备用电源
　　
　　提高数据中心正常运行时间的最重要步骤或许就是确保拥有备用电源。自然灾害、网络攻击、能源消耗过大等各种问题都可能导致电网故障。除非您配备了备用电源，否则您的数据中心也会因此停机。
　　
　　至少，您应该配备不间断电源(UPS)设备，它可以在电力系统故障后提供足够的电力，使服务器在短时间内(通常不超过10或20分钟)继续运行。它们可以防止由短暂电力中断引起的故障。
　　
　　建议为您的不间断电源设备配备备用发电机，以便在电网故障时提供长时间的电力供应。
　　
　　第三项值得考虑的投资是自备电源。这意味着运营一座私有发电厂，为您的数据中心持续供电，而不仅仅是在电网故障期间供电。
　　
　　自备电源成本高昂，但将数据中心电源与电网隔离可以降低电网故障导致停电的风险。此外，如果现场发电厂发生故障，还可以使用电网作为备用电源。
　　
　　2.全面细致地监控温度
　　
　　过热会导致服务器关闭，进而引发停机。为了防止停机，必须主动检测并解决过热问题，避免问题恶化到足以导致故障的程度。
　　
　　在这方面，一个关键的考虑因素是细致地监控数据中心的温度——这意味着您不仅要部署传感器来监测服务器机房的整体温度，还要监测各个机架和服务器的温度。这一点很重要，因为即使整个数据中心的温度保持正常，热量也可能在局部区域积聚。
　　
　　当然，持续监控温度也很重要。理想情况下，您的传感器应该至少每分钟读取一次数据。每小时只检查一次或更长时间的检查频率不足以防止过热导致的停机。
　　
　　3.加强物理安全
　　
　　网络安全攻击——指威胁行为者利用软件漏洞(通常来自远程位置)进行的攻击——往往是大多数关于数据中心安全讨论的焦点。
　　
　　但从数据中心正常运行时间的角度来看，物理安全(用于防范物理攻击)可以说是一个更重要的考虑因素。网络安全攻击通常只针对少数服务器或工作负载，而物理攻击却可以轻易瘫痪整个数据中心。
　　
　　因此，投资于多层物理安全控制至关重要——从数据中心周边到单个服务器机柜的锁具，都需要采取措施防止入侵。数据中心运营商还应考虑如何防御可能来自其物理边界之外的攻击，例如纵火。
　　
　　4.降低火灾风险
　　
　　说到数据中心火灾，这是另一个对数据中心正常运行时间构成重大威胁的因素。各种问题——从电气短路到锂离子电池故障——都可能导致数据中心内部发生火灾，并可能造成灾难性后果。
　　
　　为了降低停机风险，数据中心运营商必须采取积极措施，从源头上预防火灾发生。他们还必须确保在火灾发生时能够迅速做出反应。这意味着要制定隔离设备的计划，以最大限度地减少火灾的影响(这可能需要24/7全天候安排人员值守)。与当地消防部门协调，确保他们了解如何应对数据中心火灾——理想情况下，这种应对方式不应涉及向数千台服务器喷水——也至关重要。
　　
　　5.部署冗余组件
　　
　　无法保证数据中心的电力、网络和其他系统不会发生故障。但您可以投资于冗余组件，这样，如果主系统发生故障，备用系统可以在停机发生之前接管。
　　
　　许多大型数据中心已经这样做了(这就是为什么他们会使用“N+1”或“2N”之类的标签来描述自身，这些标签代表着不同级别的数据中心冗余)。如果您的数据中心尚未做到这一点，请考虑投资冗余组件或系统，以帮助避免故障。
　　
　　6.自动化灾难恢复和故障切换措施
　　
　　当然，仅仅拥有备用系统并不能保证在主系统发生故障时它们能够立即上线。为此，您需要建立自动化的灾难恢复流程。这通常涉及使用软件工具来监控故障，并立即切换到备用系统，而无需人工操作开关或重新连接电缆。
　　
　　7.准备灾难恢复预案
　　
　　并非所有灾难恢复环节都可以自动化;许多环节需要人工评估和干预。因此，制定“预案”也至关重要，预案应详细说明在发生故障后由谁负责执行哪些操作。
　　
　　预案通常无法防止故障发生，但可以帮助缩短故障持续时间并降低其影响。
　　
　　构建面向未来的弹性系统
　　
　　无论规模大小或技术水平如何，故障仍然是数据中心面临的持续挑战。通过实施诸如投资备用电源、全面监控系统和制定灾难恢复计划等策略，您可以降低停机发生的可能性和影响。
　　
　　积极主动的规划和强大的基础设施是确保2026年及以后业务持续运行的关键。
　　
　　编辑：Harris