មូលហេតុចម្បងនៃគ្រោះថ្នាក់នៅក្នុងមជ្ឈមណ្ឌលទិន្នន័យគឺ gasket រវាងកុំព្យូទ័រនិងកៅអី

ប្រធានបទនៃគ្រោះថ្នាក់ធំនៅក្នុងមជ្ឈមណ្ឌលទិន្នន័យទំនើបបានលើកសំណួរដែលមិនត្រូវបានឆ្លើយនៅក្នុងអត្ថបទដំបូង - យើងបានសម្រេចចិត្តអភិវឌ្ឍវា។

យោងតាមស្ថិតិពីវិទ្យាស្ថាន Uptime ឧប្បត្តិហេតុភាគច្រើននៅក្នុងមជ្ឈមណ្ឌលទិន្នន័យគឺទាក់ទងទៅនឹងការបរាជ័យនៃប្រព័ន្ធផ្គត់ផ្គង់ថាមពល ដែលវាមានចំនួន 39% នៃឧប្បត្តិហេតុ។ ពួកគេត្រូវបានតាមដានដោយកត្តាមនុស្សដែលមានចំនួន 24% ផ្សេងទៀតនៃគ្រោះថ្នាក់។ ហេតុផលសំខាន់ទីបី (15%) គឺការបរាជ័យនៃប្រព័ន្ធម៉ាស៊ីនត្រជាក់ ហើយនៅទីបួន (12%) គឺជាគ្រោះមហន្តរាយធម្មជាតិ។ ចំណែកសរុបនៃបញ្ហាផ្សេងទៀតគឺត្រឹមតែ 10% ប៉ុណ្ណោះ។ ដោយមិនសួរសំណួរអំពីទិន្នន័យរបស់អង្គការដែលគួរឱ្យគោរព យើងនឹងគូសបញ្ជាក់ពីអ្វីដែលជារឿងធម្មតានៅក្នុងគ្រោះថ្នាក់ផ្សេងៗ ហើយព្យាយាមស្វែងយល់ថាតើពួកគេអាចជៀសវាងបានដែរឬទេ។ Spoiler: វាអាចទៅរួចក្នុងករណីភាគច្រើន។

វិទ្យាសាស្ត្រទំនាក់ទំនង

និយាយឱ្យសាមញ្ញទៅ ការផ្គត់ផ្គង់ថាមពលមានបញ្ហាតែពីរប៉ុណ្ណោះ៖ ទាំងគ្មានទំនាក់ទំនងកន្លែងដែលវាគួរតែនៅ ឬមានទំនាក់ទំនងកន្លែងដែលមិនគួរទាក់ទង។ អ្នកអាចនិយាយបានយូរអំពីភាពអាចជឿជាក់បាននៃប្រព័ន្ធផ្គត់ផ្គង់ថាមពលគ្មានការរំខានទំនើប ប៉ុន្តែពួកគេមិនតែងតែជួយអ្នកទេ។ យកករណីដ៏ល្បីនៃមជ្ឈមណ្ឌលទិន្នន័យដែលប្រើប្រាស់ដោយក្រុមហ៊ុនអាកាសចរណ៍ British Airways ដែលជាកម្មសិទ្ធិរបស់ក្រុមហ៊ុនមេ International Airlines Group ។ មានអចលនទ្រព្យពីរដែលមានទីតាំងនៅជិតព្រលានយន្តហោះ Heathrow - Boadicea House និង Comet House ។ លើកទីមួយ នៅថ្ងៃទី 27 ខែឧសភា ឆ្នាំ 2017 មានការដាច់ចរន្តអគ្គិសនីដោយចៃដន្យ ដែលនាំឱ្យប្រព័ន្ធ UPS លើសទម្ងន់ និងបរាជ័យ។ ជាលទ្ធផល ឧបករណ៍ IT មួយចំនួនត្រូវបានខូចខាតផ្នែករាងកាយ ហើយគ្រោះមហន្តរាយចុងក្រោយនេះត្រូវចំណាយពេលបីថ្ងៃដើម្បីដោះស្រាយ។

ក្រុមហ៊ុនអាកាសចរណ៍ត្រូវលុបចោល ឬកំណត់ពេលជើងហោះហើរជាងមួយពាន់ជើង អ្នកដំណើរប្រហែល 75 ពាន់នាក់មិនអាចហោះហើរទាន់ពេល - 128 លានដុល្លារត្រូវបានចំណាយលើការទូទាត់សំណង ដោយមិនរាប់បញ្ចូលការចំណាយដែលត្រូវការដើម្បីស្ដារមុខងាររបស់មជ្ឈមណ្ឌលទិន្នន័យ។ ប្រវត្តិនៃមូលហេតុនៃការដាច់ភ្លើងគឺមិនច្បាស់លាស់។ ប្រសិនបើអ្នកជឿថាលទ្ធផលនៃការស៊ើបអង្កេតផ្ទៃក្នុងដែលប្រកាសដោយនាយកប្រតិបត្តិក្រុមហ៊ុន International Airlines Group លោក Willie Walsh វាគឺដោយសារតែកំហុសដោយវិស្វករ។ ទោះយ៉ាងណាក៏ដោយ ប្រព័ន្ធផ្គត់ផ្គង់ថាមពលដែលមិនអាចរំខានបានត្រូវទប់ទល់នឹងការបិទបែបនេះ - នោះហើយជាមូលហេតុដែលវាត្រូវបានដំឡើង។ មជ្ឈមណ្ឌលទិន្នន័យត្រូវបានគ្រប់គ្រងដោយអ្នកឯកទេសមកពីក្រុមហ៊ុនខាងក្រៅ CBRE Managed Services ដូច្នេះក្រុមហ៊ុន British Airways បានព្យាយាមយកមកវិញនូវចំនួននៃការខូចខាតតាមរយៈតុលាការទីក្រុងឡុងដ៍។

ការដាច់ចរន្តអគ្គិសនីកើតឡើងក្នុងស្ថានភាពស្រដៀងគ្នា៖ ដំបូងមានការដាច់ភ្លើងដោយសារកំហុសរបស់អ្នកផ្គត់ផ្គង់អគ្គិសនី ជួនកាលដោយសារអាកាសធាតុអាក្រក់ ឬបញ្ហាខាងក្នុង (រួមទាំងកំហុសរបស់មនុស្ស) ហើយបន្ទាប់មកប្រព័ន្ធផ្គត់ផ្គង់ថាមពលដែលមិនអាចរំខានបាន មិនអាចទប់ទល់នឹងបន្ទុក ឬរយៈពេលខ្លីបានទេ។ -ការរំខានរយៈពេលនៃរលកស៊ីនុស បណ្តាលឱ្យបរាជ័យនៃសេវាកម្មជាច្រើន ដែលបណ្តាលឱ្យការស្ដារឡើងវិញ ដែលត្រូវការពេលវេលា និងថវិកាច្រើន។ តើអាចជៀសផុតពីគ្រោះថ្នាក់បែបនេះទេ? ដោយមិនសង្ស័យ។ ប្រសិនបើអ្នករចនាប្រព័ន្ធបានត្រឹមត្រូវ សូម្បីតែអ្នកបង្កើតមជ្ឈមណ្ឌលទិន្នន័យធំក៏មិនមានភាពស៊ាំពីកំហុសដែរ។

កត្តាមនុស្ស

នៅពេលដែលមូលហេតុភ្លាមៗនៃឧប្បត្តិហេតុមួយគឺជាសកម្មភាពមិនត្រឹមត្រូវរបស់បុគ្គលិកមជ្ឈមណ្ឌលទិន្នន័យ បញ្ហាជាញឹកញាប់បំផុត (ប៉ុន្តែមិនតែងតែ) ប៉ះពាល់ដល់ផ្នែកទន់នៃហេដ្ឋារចនាសម្ព័ន្ធព័ត៌មានវិទ្យា។ គ្រោះថ្នាក់បែបនេះកើតឡើងសូម្បីតែនៅក្នុងសាជីវកម្មធំក៏ដោយ។ នៅក្នុងខែកុម្ភៈ ឆ្នាំ 2017 ដោយសារតែសមាជិកក្រុមដែលបានជ្រើសរើសមិនត្រឹមត្រូវនៃក្រុមប្រតិបត្តិការបច្ចេកទេសនៃមជ្ឈមណ្ឌលទិន្នន័យមួយផ្នែកនៃម៉ាស៊ីនមេ Amazon Web Services ត្រូវបានបិទ។ កំហុសមួយបានកើតឡើងខណៈពេលកំពុងបំបាត់កំហុសដំណើរការចេញវិក្កយបត្រសម្រាប់អតិថិជនផ្ទុកពពក Amazon Simple Storage Service (S3) ។ និយោជិតម្នាក់បានព្យាយាមលុបម៉ាស៊ីនមេនិម្មិតមួយចំនួនដែលប្រើដោយប្រព័ន្ធចេញវិក្កយបត្រ ប៉ុន្តែបានប៉ះចង្កោមធំជាង។

ជាលទ្ធផលនៃកំហុសវិស្វករ ម៉ាស៊ីនមេដែលដំណើរការម៉ូឌុលកម្មវិធីផ្ទុកពពក Amazon សំខាន់ៗត្រូវបានលុប។ ការប៉ះពាល់ដំបូងគឺប្រព័ន្ធរងការធ្វើលិបិក្រមដែលមានព័ត៌មានអំពីទិន្នន័យមេតា និងទីតាំងនៃវត្ថុ S3 ទាំងអស់នៅក្នុងតំបន់ US-EAST-1 អាមេរិក។ ឧបទ្ទវហេតុនេះក៏បានប៉ះពាល់ដល់ប្រព័ន្ធរងដែលប្រើសម្រាប់បង្ហោះទិន្នន័យ និងគ្រប់គ្រងកន្លែងទំនេរសម្រាប់ផ្ទុក។ បន្ទាប់ពីលុបម៉ាស៊ីននិម្មិត ប្រព័ន្ធរងទាំងពីរនេះទាមទារការចាប់ផ្តើមឡើងវិញពេញលេញ ហើយបន្ទាប់មកវិស្វករ Amazon មានការភ្ញាក់ផ្អើលមួយ - អស់រយៈពេលជាយូរ ឃ្លាំងផ្ទុកពពកសាធារណៈមិនអាចផ្តល់សេវាកម្មតាមសំណើរបស់អតិថិជនបានទេ។

ផលប៉ះពាល់ត្រូវបានរីករាលដាល ដោយសារធនធានធំៗជាច្រើនប្រើប្រាស់ Amazon S3។ ការដាច់ភ្លើងបានប៉ះពាល់ដល់ Trello, Coursera, IFTTT និងជាអកុសលបំផុតគឺសេវាកម្មរបស់ដៃគូ Amazon សំខាន់ៗពីបញ្ជី S&P 500 ។ ការខូចខាតនៅក្នុងករណីបែបនេះពិបាកគណនាប៉ុន្តែវាស្ថិតនៅក្នុងតំបន់រាប់រយលានដុល្លារអាមេរិក។ ដូចដែលអ្នកអាចឃើញពាក្យបញ្ជាខុសមួយគឺគ្រប់គ្រាន់ដើម្បីបិទសេវាកម្មនៃវេទិកាពពកធំបំផុត។ នេះមិនមែនជាករណីដាច់ដោយឡែកនោះទេ នៅថ្ងៃទី 16 ខែឧសភា ឆ្នាំ 2019 ក្នុងអំឡុងពេលការងារថែទាំ សេវាកម្ម Yandex.Cloud បានលុប ម៉ាស៊ីននិម្មិតរបស់អ្នកប្រើប្រាស់នៅក្នុងតំបន់ ru-central1-c ដែលស្ថិតក្នុងស្ថានភាពផ្អាកយ៉ាងហោចណាស់ម្តង។ ទិន្នន័យអតិថិជនត្រូវបានខូចខាតរួចហើយនៅទីនេះ ដែលមួយចំនួនត្រូវបានបាត់បង់ដោយមិនអាចយកមកវិញបាន។ ជាការពិតណាស់ មនុស្សមានភាពមិនល្អឥតខ្ចោះ ប៉ុន្តែប្រព័ន្ធសន្តិសុខព័ត៌មានទំនើបអាចត្រួតពិនិត្យសកម្មភាពរបស់អ្នកប្រើប្រាស់ដែលមានសិទ្ធិយូរមកហើយ មុនពេលប្រតិបត្តិពាក្យបញ្ជាដែលពួកគេបានបញ្ចូល។ ប្រសិនបើដំណោះស្រាយបែបនេះត្រូវបានអនុវត្តនៅក្នុង Yandex ឬ Amazon ឧប្បត្តិហេតុបែបនេះអាចត្រូវបានជៀសវាង។

ត្រជាក់កក

នៅខែមករាឆ្នាំ 2017 គ្រោះថ្នាក់ដ៏ធំមួយបានកើតឡើងនៅក្នុងមជ្ឈមណ្ឌលទិន្នន័យ Dmitrov របស់ក្រុមហ៊ុន Megafon ។ បន្ទាប់មកសីតុណ្ហភាពនៅក្នុងតំបន់មូស្គូបានធ្លាក់ចុះដល់ −35 °C ដែលនាំឱ្យមានការបរាជ័យនៃប្រព័ន្ធត្រជាក់របស់រោងចក្រ។ សេវាសារព័ត៌មានរបស់ប្រតិបត្តិករមិនបាននិយាយអំពីមូលហេតុនៃឧបទ្ទវហេតុនេះទេ - ក្រុមហ៊ុនរុស្ស៊ីមានការស្ទាក់ស្ទើរយ៉ាងខ្លាំងក្នុងការនិយាយអំពីគ្រោះថ្នាក់នៅកន្លែងដែលខ្លួនមាន។ ទាក់ទងនឹងការផ្សព្វផ្សាយ យើងនៅឆ្ងាយពីលោកខាងលិច។ មានកំណែមួយដែលត្រូវបានផ្សព្វផ្សាយនៅលើបណ្តាញសង្គមអំពីការត្រជាក់នៃ coolant នៅក្នុងបំពង់ដែលដាក់នៅតាមផ្លូវ និងការលេចធ្លាយនៃអេទីឡែន glycol ។ យោងទៅតាមនាង សេវាកម្មប្រតិបត្តិការមិនអាចទទួលបានទឹកត្រជាក់ 30 តោនបានឆាប់រហ័សទេ ដោយសារថ្ងៃឈប់សម្រាកដ៏យូរ ហើយបានចេញទៅក្រៅដោយប្រើមធ្យោបាយ improvised រៀបចំការត្រជាក់ដោយមិនគិតថ្លៃដោយបំពានច្បាប់សម្រាប់ដំណើរការប្រព័ន្ធ។ ភាពត្រជាក់ធ្ងន់ធ្ងរបានធ្វើឱ្យបញ្ហាកាន់តែធ្ងន់ធ្ងរឡើង - ក្នុងខែមករា រដូវរងាបានវាយប្រហារប្រទេសរុស្ស៊ី ទោះបីគ្មាននរណាម្នាក់រំពឹងក៏ដោយ។ ជាលទ្ធផល បុគ្គលិកត្រូវបិទថាមពលទៅផ្នែកនៃ rack ម៉ាស៊ីនមេ ដែលជាមូលហេតុដែលសេវាប្រតិបត្តិករមួយចំនួនមិនអាចប្រើបានរយៈពេលពីរថ្ងៃ។

ប្រហែលជាយើងអាចនិយាយអំពីភាពមិនធម្មតានៃអាកាសធាតុនៅទីនេះ ប៉ុន្តែការសាយសត្វបែបនេះមិនមែនជាអ្វីដែលមិនធម្មតាសម្រាប់តំបន់រាជធានីនោះទេ។ សីតុណ្ហភាពក្នុងរដូវរងានៅក្នុងតំបន់មូស្គូអាចធ្លាក់ចុះដល់កម្រិតទាប ដូច្នេះមជ្ឈមណ្ឌលទិន្នន័យត្រូវបានសាងសង់ឡើងជាមួយនឹងការរំពឹងទុកនៃប្រតិបត្តិការដែលមានស្ថេរភាពនៅ −42°C ។ ភាគច្រើនជាញឹកញាប់ ប្រព័ន្ធត្រជាក់បរាជ័យក្នុងអាកាសធាតុត្រជាក់ ដោយសារតែកំហាប់ glycols ខ្ពស់មិនគ្រប់គ្រាន់ និងទឹកលើសនៅក្នុងដំណោះស្រាយ coolant ។ វាក៏មានបញ្ហាជាមួយនឹងការដំឡើងបំពង់ឬជាមួយនឹងការគណនាខុសនៅក្នុងការរចនានិងការធ្វើតេស្តនៃប្រព័ន្ធនេះដែលទាក់ទងជាចម្បងជាមួយនឹងបំណងប្រាថ្នាដើម្បីសន្សំប្រាក់។ ជា​លទ្ធផល​គ្រោះថ្នាក់​ធ្ងន់ធ្ងរ​កើត​ឡើង​ក្រៅ​ពណ៌​ខៀវ ដែល​អាច​ទប់ស្កាត់​បាន។

គ្រោះធម្មជាតិ

ភាគច្រើនជាញឹកញាប់ ព្យុះផ្គររន្ទះ និង/ឬខ្យល់ព្យុះ រំខានដល់ហេដ្ឋារចនាសម្ព័ន្ធវិស្វកម្មនៃមជ្ឈមណ្ឌលទិន្នន័យ ដែលនាំឱ្យមានការរំខានដល់សេវាកម្ម និង/ឬការខូចខាតរាងកាយចំពោះឧបករណ៍។ ឧប្បត្តិហេតុដែលបណ្តាលមកពីអាកាសធាតុអាក្រក់កើតឡើងជាញឹកញាប់។ ក្នុងឆ្នាំ 2012 ព្យុះសង្ឃរា Sandy បានបោកបក់ពាសពេញឆ្នេរសមុទ្រភាគខាងលិចនៃសហរដ្ឋអាមេរិក ជាមួយនឹងភ្លៀងធ្លាក់យ៉ាងខ្លាំង។ មានទីតាំងនៅអគារខ្ពស់មួយនៅ Lower Manhattan ដែលជាមជ្ឈមណ្ឌលទិន្នន័យ Peer 1 បាត់បង់ការផ្គត់ផ្គង់ថាមពលខាងក្រៅបន្ទាប់ពីទឹកសមុទ្រប្រៃបានជន់លិចបន្ទប់ក្រោមដី។ ម៉ាស៊ីនភ្លើងសង្គ្រោះបន្ទាន់របស់រោងចក្រមានទីតាំងនៅជាន់ទី 18 ហើយការផ្គត់ផ្គង់ប្រេងឥន្ធនៈរបស់ពួកគេមានកម្រិត - ច្បាប់ណែនាំនៅទីក្រុងញូវយ៉ក បន្ទាប់ពីការវាយប្រហារភេរវកម្មថ្ងៃទី 9/11 ហាមឃាត់ការរក្សាទុកប្រេងឥន្ធនៈក្នុងបរិមាណដ៏ច្រើននៅជាន់ខាងលើ។

ម៉ាស៊ីនបូមប្រេងក៏បរាជ័យដែរ ដូច្នេះបុគ្គលិកបានចំណាយពេលជាច្រើនថ្ងៃដើម្បីដឹកប្រេងម៉ាស៊ូតទៅកាន់ម៉ាស៊ីនភ្លើងដោយដៃ។ វីរភាពរបស់ក្រុមបានជួយសង្គ្រោះមជ្ឈមណ្ឌលទិន្នន័យពីគ្រោះថ្នាក់ធ្ងន់ធ្ងរ ប៉ុន្តែតើវាពិតជាចាំបាច់មែនទេ? យើងរស់នៅលើភពផែនដីដែលមានបរិយាកាសអាសូត អុកស៊ីហ្សែន និងទឹកច្រើន។ ព្យុះផ្គររន្ទះ និងខ្យល់ព្យុះគឺជារឿងធម្មតានៅទីនេះ (ជាពិសេសនៅតំបន់ឆ្នេរ)។ អ្នករចនាប្រហែលជាធ្វើបានល្អដើម្បីពិចារណាពីហានិភ័យដែលពាក់ព័ន្ធ និងបង្កើតប្រព័ន្ធផ្គត់ផ្គង់ថាមពលដែលមិនអាចរំខានបាន។ ឬយ៉ាងហោចណាស់ជ្រើសរើសទីតាំងដែលសមស្របជាងសម្រាប់មជ្ឈមណ្ឌលទិន្នន័យជាជាងអគារខ្ពស់នៅលើកោះមួយ។

អ្វីៗផ្សេងទៀត។

វិទ្យាស្ថាន Uptime កំណត់អត្តសញ្ញាណភាពខុសគ្នានៃឧប្បត្តិហេតុនៅក្នុងប្រភេទនេះ ដែលក្នុងនោះវាពិបាកក្នុងការជ្រើសរើសរឿងធម្មតា។ ចោរលួចខ្សែស្ពាន់ ឡានបុកចូលមជ្ឈមណ្ឌលទិន្នន័យ ខ្សែថាមពល និងស្ថានីយបំប្លែង អគ្គីភ័យ ប្រតិបត្តិករជីកកកាយដែលបំផ្លាញអុបទិក សត្វកកេរ (កណ្តុរ ទន្សាយ និងសូម្បីតែសត្វកន្លាត ដែលតាមពិតទៅគឺ marsupials) ក៏ដូចជាអ្នកដែលចូលចិត្តហាត់បាញ់នៅ ខ្សែ - ម៉ឺនុយគឺទូលំទូលាយ។ សូម្បីតែការបរាជ័យថាមពលអាចបណ្តាលឱ្យ លួច ដាំកញ្ឆាខុសច្បាប់។ ក្នុងករណីភាគច្រើន មនុស្សជាក់លាក់ក្លាយជាពិរុទ្ធជននៃឧប្បត្តិហេតុ ពោលគឺយើងកំពុងដោះស្រាយម្តងទៀតជាមួយនឹងកត្តាមនុស្ស នៅពេលដែលបញ្ហាមានឈ្មោះ និងនាមត្រកូល។ ទោះបីជានៅក្រឡេកមើលដំបូង គ្រោះថ្នាក់ត្រូវបានផ្សារភ្ជាប់ជាមួយនឹងដំណើរការខុសបច្ចេកទេស ឬគ្រោះមហន្តរាយធម្មជាតិក៏ដោយ វាអាចត្រូវបានជៀសវាងបាន ប្រសិនបើកន្លែងនោះត្រូវបានរៀបចំ និងដំណើរការបានត្រឹមត្រូវ។ ករណីលើកលែងតែមួយគត់គឺករណីនៃការខូចខាតយ៉ាងធ្ងន់ធ្ងរចំពោះហេដ្ឋារចនាសម្ព័ន្ធមជ្ឈមណ្ឌលទិន្នន័យ ឬការបំផ្លិចបំផ្លាញអគារ និងរចនាសម្ព័ន្ធដោយសារគ្រោះមហន្តរាយធម្មជាតិ។ ទាំងនេះពិតជាកាលៈទេសៈបង្ខំ ហើយបញ្ហាផ្សេងទៀតទាំងអស់ត្រូវបានបង្កឡើងដោយ gasket រវាងកុំព្យូទ័រ និងកៅអី - ប្រហែលជានេះជាផ្នែកដែលមិនគួរឱ្យទុកចិត្តបំផុតនៃប្រព័ន្ធស្មុគស្មាញណាមួយ។

ប្រភព: www.habr.com