据招商银行分析总结，有25%的故障可以通过重启、隔离、异地切换来解决；60%的故障用高可用架构来解决
今年五月末，互联网连续出现两次“黑天鹅事件”仍让我们记忆犹新。支付宝因“光纤被挖断”大规模瘫痪2小时，网友惊呼：高科技都顶不住传统行业一铲子。随后，携程又因数据被人为删除，导致官方网站及APP无法使用，抢救12小时后才恢复。显然，两家企业都被“黑天鹅”造访，好在结果有惊无险，试想，如果这类突发意外没有有效的应急措施，故障无法恢复，将会带来什么？
黑天鹅事件
“黑天鹅”可能会飞到任何领域，它在意料之外，却又改变一切。当下，国内外经济形势已进入一个新常态，互联网、金融、商业等领域关键业务不允许宕机，数据不允许丢失。在业务连续性管理中，如何应对各种风险问题引起更高关注度。
招商银行数据中心技术管理室主管 张春林
拥有十二年金融业IT运维从业经验的张春林，在接受赛迪网专访时表示，我们一直在凭借经验教训总结多种模型对抗风险，也只是用已知对抗未知，永远慢半拍。作为招商银行数据中心技术管理室主管，张春林曾负责招商银行重要系统灾备建设项目、招商银行总行负载均衡项目、招商银行分行负载均衡项目、应急管理项目等。在负载均衡技术、高可用架构、灾备和应急管理、自动化运维等领域积累了丰富的实战经验。
在大型商业银行故障管理实践中，他们总结出一套“应急标准化方法论”。对于大型商业银行而言，由于业务对信息系统强依赖，信息系统的可用性成为关系到财务收益和声誉风险的重要因子，而应急处置效率又是影响可用性的关键因素之一。如何快速有效地处置突发事件，既是商业银行的内在管理需要，也是外部监管要求。
招商银行张春林说，金融危机的发生是由金融体系的脆弱性内生决定的。同理，信息科技风险也是由信息系统的脆弱性内生决定的。诸如，万分之四的硬盘坏盘率、数以万计的软件代码的BUG、新老员工更替带来的断层、以已知对抗未知的无奈。因此，“黑天鹅事件”告诉我们，需要转换应对危机的思考方式：不要预测、谨慎预防、保证充足的冗余。
招商银行数据中心技术管理室主管 张春林
张春林分析，就商业银行故障历史数据来看，很多故障的处理时长超过30分钟；很多故障无法通过切换来解决。为了提升应急效率，需要缩短故障修复时间，可以通过故障自愈、一键恢复工具、业务补帐工具、流量清洗服务等具体措施实现。
其中，业务补帐在异地灾备中非常重要。由于异地灾备存在时延，数据双活难以达到“真双活”，虽然RPO可以做到秒级差异，数据仍难以达到一致。张春林举例说，招商银行是北京和上海双中心运行，两地直线距离1500公里，中间还有传输设备，光传输即便做到极致仍然有30毫秒的差异，这是不可改变的物理规律。人工补帐虽然可以弥补缺失，但效率不高。支付宝瘫痪2小时事件，张春林认为时间并不是用来恢复光缆，很有可能是在做补帐。现在，更高效的方式是自动代替人工。将人工补帐过程工具化，实现半自动补帐。
在招行的实践中，他们还将故障场景标准化。不同于收集以原因为导向的故障场景案例库，而以IT的视角，以结果为导向，根据组件发生故障的类型来组合推导故障原因。“一个IT系统的组件数量是有限的，而每个组件的故障种类其实也并不多。无论是A场景还是B场景，只要解决方案是一样的，就可以归类为同一个场景。总结下来，其实情景并不多”，张春林解释说。
据招商银行分析总结，有25%的故障可以通过重启、隔离、异地切换来解决；60%的故障用高可用架构来解决；10%需要手工诊断解决；另外5%的未知风险才需要专家等人员来解决。
声明： 此文观点不代表本站立场；转载须要保留原文链接；版权疑问请联系我们。
