តើ​ម៉ាស៊ីន​មេ​គួរ​ត្រូវ​ពន្លត់​ដែរ​ឬ​ទេ ប្រសិនបើ​ការ​ធ្វើ​តេស្ត​ផ្សែង​នៃ​មជ្ឈមណ្ឌល​ទិន្នន័យ​បាន​ឆេះ​?

តើ​អ្នក​មាន​អារម្មណ៍​យ៉ាង​ណា​ប្រសិន​បើ​ថ្ងៃ​ដ៏​ល្អ​មួយ​ក្នុង​រដូវក្តៅ​ដែល​មជ្ឈមណ្ឌល​ទិន្នន័យ​ដែល​មាន​ឧបករណ៍​របស់​អ្នក​មើលទៅ​ដូចនេះ?

សួស្តី​អ្នក​ទាំងអស់គ្នា! ឈ្មោះរបស់ខ្ញុំគឺ Dmitry Samsonov ខ្ញុំធ្វើការជាអ្នកគ្រប់គ្រងប្រព័ន្ធឈានមុខគេនៅ "មិត្តរួមថ្នាក់" រូបថតបង្ហាញពីមជ្ឈមណ្ឌលទិន្នន័យមួយក្នុងចំណោមមជ្ឈមណ្ឌលទិន្នន័យទាំងបួនដែលឧបករណ៍បម្រើគម្រោងរបស់យើងត្រូវបានដំឡើង។ នៅពីក្រោយជញ្ជាំងទាំងនេះមានឧបករណ៍ប្រហែល 4 ពាន់បំណែក៖ ម៉ាស៊ីនមេ ប្រព័ន្ធផ្ទុកទិន្នន័យ ឧបករណ៍បណ្តាញ។ល។ - ស្ទើរតែ⅓នៃឧបករណ៍របស់យើងទាំងអស់។
ម៉ាស៊ីនមេភាគច្រើនគឺលីនុច។ វាក៏មានម៉ាស៊ីនមេរាប់សិបនៅលើវីនដូ (MS SQL) - មរតករបស់យើងដែលយើងបានបោះបង់ចោលជាប្រព័ន្ធអស់រយៈពេលជាច្រើនឆ្នាំ។
ដូច្នេះនៅថ្ងៃទី 5 ខែមិថុនា ឆ្នាំ 2019 វេលាម៉ោង 14:35 នាទី វិស្វករនៅមជ្ឈមណ្ឌលទិន្នន័យមួយរបស់យើងបានរាយការណ៍ពីការជូនដំណឹងអំពីអគ្គីភ័យ។

ការចរចា

១៤:៤៥ . ឧប្បត្តិហេតុផ្សែងតិចតួចនៅក្នុងមជ្ឈមណ្ឌលទិន្នន័យគឺជារឿងធម្មតាជាងអ្វីដែលអ្នកគិត។ សូចនាករនៅខាងក្នុងសាលគឺធម្មតា ដូច្នេះប្រតិកម្មដំបូងរបស់យើងមានភាពស្ងប់ស្ងាត់៖ ពួកគេបានណែនាំពីការហាមប្រាមការងារជាមួយផលិតកម្ម ពោលគឺចំពោះការផ្លាស់ប្តូរការកំណត់រចនាសម្ព័ន្ធ ការចេញផ្សាយកំណែថ្មីជាដើម លើកលែងតែការងារទាក់ទងនឹងការជួសជុលអ្វីមួយ។

កំហឹង

តើ​អ្នក​ធ្លាប់​ព្យាយាម​ស្វែង​រក​ពី​អ្នក​ពន្លត់​អគ្គិភ័យ​ឱ្យ​បាន​ច្បាស់​ពី​កន្លែង​ដែល​ភ្លើង​បាន​កើត​ឡើង​លើ​ដំបូល​ផ្ទះ ឬ​ឡើង​ទៅ​លើ​ដំបូល​ដែល​ឆេះ​ដោយ​ខ្លួន​ឯង​ដើម្បី​វាយ​តម្លៃ​ស្ថានភាព? តើកម្រិតនៃការជឿទុកចិត្តលើព័ត៌មានដែលទទួលបានតាមរយៈមនុស្សប្រាំនាក់នឹងទៅជាយ៉ាងណា?

14: 50 ។ ព័ត៌មានត្រូវបានទទួលថាភ្លើងកំពុងខិតជិតប្រព័ន្ធត្រជាក់. ប៉ុន្តែតើវានឹងមកទេ? អ្នកគ្រប់គ្រងប្រព័ន្ធដែលមានកាតព្វកិច្ចដកចរាចរខាងក្រៅចេញពីផ្នែកខាងមុខនៃមជ្ឈមណ្ឌលទិន្នន័យនេះ។

នៅពេលនេះ ផ្នែកខាងមុខនៃសេវាកម្មរបស់យើងទាំងអស់ត្រូវបានចម្លងនៅក្នុងមជ្ឈមណ្ឌលទិន្នន័យចំនួនបី តុល្យភាពត្រូវបានប្រើនៅកម្រិត DNS ដែលអនុញ្ញាតឱ្យយើងដកអាសយដ្ឋាននៃមជ្ឈមណ្ឌលទិន្នន័យមួយចេញពី DNS ដោយហេតុនេះការពារអ្នកប្រើប្រាស់ពីបញ្ហាដែលអាចកើតមានជាមួយនឹងការចូលប្រើសេវាកម្ម។ . ប្រសិនបើបញ្ហាបានកើតឡើងនៅក្នុងមជ្ឈមណ្ឌលទិន្នន័យរួចហើយ វាទុកការបង្វិលដោយស្វ័យប្រវត្តិ។ អ្នកអាចអានបន្ថែមនៅទីនេះ៖ ផ្ទុកតុល្យភាព និងការអត់ឱនកំហុសនៅក្នុង Odnoklassniki ។

អគ្គិភ័យ​មិន​បាន​ប៉ះពាល់​ដល់​យើង​នៅ​ឡើយ​ទេ ទាំង​អ្នក​ប្រើប្រាស់ ឬ​ឧបករណ៍​មិន​ត្រូវ​បាន​ខូចខាត​នោះ​ទេ ។ តើនេះជាគ្រោះថ្នាក់ទេ? ផ្នែកដំបូងនៃឯកសារ "ផែនការសកម្មភាពគ្រោះថ្នាក់" កំណត់គោលគំនិតនៃ "គ្រោះថ្នាក់" ហើយផ្នែកនេះបញ្ចប់ដូចនេះ៖
«បើ​មាន​ការ​សង្ស័យ​ថា​មាន​គ្រោះ​ថ្នាក់​ឬ​អត់​នោះ​គឺ​ជា​គ្រោះ​ថ្នាក់!»

១៤:៥៣ . អ្នកសម្របសម្រួលសង្គ្រោះបន្ទាន់ត្រូវបានតែងតាំង។

អ្នកសម្របសម្រួលគឺជាអ្នកដែលគ្រប់គ្រងទំនាក់ទំនងរវាងអ្នកចូលរួមទាំងអស់ វាយតម្លៃទំហំនៃគ្រោះថ្នាក់ ប្រើប្រាស់ផែនការសកម្មភាពបន្ទាន់ ទាក់ទាញបុគ្គលិកចាំបាច់ ត្រួតពិនិត្យការបញ្ចប់ការជួសជុល ហើយសំខាន់បំផុតគឺផ្ទេរភារកិច្ចណាមួយ។ ម៉្យាងទៀតនេះគឺជាអ្នកដែលគ្រប់គ្រងដំណើរការឆ្លើយតបគ្រាអាសន្នទាំងមូល។

តថ្លៃ

១៥:០១ . យើងចាប់ផ្តើមបិទម៉ាស៊ីនមេដែលមិនទាក់ទងនឹងការផលិត។
១៥:០៣ . យើងបិទសេវាកម្មដែលបានបម្រុងទុកទាំងអស់យ៉ាងត្រឹមត្រូវ។
នេះរួមបញ្ចូលមិនត្រឹមតែផ្នែកខាងមុខ (ដែលដល់ចំណុចនេះអ្នកប្រើប្រាស់លែងចូលប្រើ) និងសេវាកម្មជំនួយរបស់ពួកគេ (តក្កវិជ្ជាអាជីវកម្ម ឃ្លាំងសម្ងាត់។ល។) ប៉ុន្តែក៏មានមូលដ្ឋានទិន្នន័យផ្សេងៗដែលមានកត្តាចម្លង 2 ឬច្រើនជាងនេះ (Cassandra, ការផ្ទុកទិន្នន័យគោលពីរ, ការផ្ទុកត្រជាក់, NewSQL ល។ )
15: 06 ។ ព័ត៌មានត្រូវបានទទួលថា អគ្គីភ័យកំពុងគំរាមកំហែងដល់សាលមជ្ឈមណ្ឌលទិន្នន័យមួយ។ យើងមិនមានឧបករណ៍នៅក្នុងបន្ទប់នេះទេ ប៉ុន្តែការពិតដែលថាភ្លើងអាចរាលដាលពីដំបូលទៅសាលធំផ្លាស់ប្តូររូបភាពនៃអ្វីដែលកំពុងកើតឡើង។
(ក្រោយមកវាបានប្រែក្លាយថាមិនមានការគំរាមកំហែងខាងរាងកាយចំពោះសាលនេះទេ ចាប់តាំងពីវាត្រូវបានបិទជិតដោយដំបូល។ ការគំរាមកំហែងគឺសម្រាប់តែប្រព័ន្ធត្រជាក់នៃសាលនេះប៉ុណ្ណោះ។)
១៥:០៧ . យើងអនុញ្ញាតឱ្យប្រតិបត្តិពាក្យបញ្ជានៅលើម៉ាស៊ីនមេក្នុងរបៀបបង្កើនល្បឿនដោយមិនមានការត្រួតពិនិត្យបន្ថែម (ដោយគ្មានម៉ាស៊ីនគិតលេខដែលយើងចូលចិត្ត).
១៥:០៨ . សីតុណ្ហភាពនៅក្នុងសាលគឺស្ថិតនៅក្នុងដែនកំណត់ធម្មតា។
15: 12 ។ ការកើនឡើងសីតុណ្ហភាពនៅក្នុងសាលត្រូវបានកត់ត្រា។
១៥:១៣ ។ ច្រើនជាងពាក់កណ្តាលនៃម៉ាស៊ីនមេនៅក្នុងមជ្ឈមណ្ឌលទិន្នន័យត្រូវបានបិទ។ សូមបន្ត។
១៥:១៦ ។ ការសម្រេចចិត្តមួយត្រូវបានធ្វើឡើងដើម្បីបិទឧបករណ៍ទាំងអស់។
១៥:២១ . យើងចាប់ផ្តើមបិទថាមពលទៅម៉ាស៊ីនមេដែលគ្មានរដ្ឋដោយមិនបិទកម្មវិធី និងប្រព័ន្ធប្រតិបត្តិការឱ្យបានត្រឹមត្រូវ។
១៥:២៣ ។ ក្រុមមនុស្សដែលទទួលខុសត្រូវចំពោះ MS SQL ត្រូវបានបែងចែក (មានពួកគេតិចតួច ការពឹងផ្អែកនៃសេវាកម្មលើពួកគេគឺមិនអស្ចារ្យទេ ប៉ុន្តែនីតិវិធីសម្រាប់ការស្តារមុខងារឡើងវិញត្រូវចំណាយពេលយូរជាង និងមានភាពស្មុគស្មាញជាងឧទាហរណ៍ Cassandra) ។

ជំងឺធ្លាក់ទឹកចិត្ត

15: 25 ។ ព័ត៌មានត្រូវបានទទួលអំពីការបិទភ្លើងនៅក្នុងសាលចំនួន 16 ក្នុងចំណោម 6 (លេខ 7, 8, 9, XNUMX)។ ឧបករណ៍របស់យើងមានទីតាំងនៅសាល 7 និង 8 ។ មិនមានព័ត៌មានអំពីសាលទាំងពីររបស់យើងទេ (លេខ 1 និង 3) ។
ជាធម្មតាក្នុងអំឡុងពេលអគ្គីភ័យការផ្គត់ផ្គង់ថាមពលត្រូវបានបិទភ្លាមៗប៉ុន្តែក្នុងករណីនេះអរគុណចំពោះការងារសម្របសម្រួលរបស់អ្នកពន្លត់អគ្គីភ័យនិងបុគ្គលិកបច្ចេកទេសនៃមជ្ឈមណ្ឌលទិន្នន័យវាមិនត្រូវបានគេបិទនៅគ្រប់ទីកន្លែងទេហើយមិនភ្លាមៗនោះទេប៉ុន្តែជាការចាំបាច់។
(ក្រោយ​មក​គេ​បាន​រក​ឃើញ​ថា​ភ្លើង​មិន​ត្រូវ​បាន​បិទ​នៅ​ក្នុង​សាល 8 និង 9 ។ )
១៥:២៨។ យើងកំពុងចាប់ផ្តើមដាក់ពង្រាយមូលដ្ឋានទិន្នន័យ MS SQL ពីការបម្រុងទុកនៅក្នុងមជ្ឈមណ្ឌលទិន្នន័យផ្សេងទៀត។
តើ​ចំណាយពេល​ប៉ុន្មាន? តើមានសមត្ថភាពបណ្តាញគ្រប់គ្រាន់សម្រាប់ផ្លូវទាំងមូលទេ?
15: 37 ។ ការបិទផ្នែកខ្លះនៃបណ្តាញត្រូវបានកត់ត្រា។
ការគ្រប់គ្រង និងបណ្តាញផលិតកម្មគឺដាច់ដោយឡែកពីគ្នាទៅវិញទៅមក។ ប្រសិនបើបណ្តាញផលិតកម្មអាចប្រើបាន នោះអ្នកអាចចូលទៅកាន់ម៉ាស៊ីនមេ បញ្ឈប់កម្មវិធី និងបិទប្រព័ន្ធប្រតិបត្តិការ។ ប្រសិនបើវាមិនមានទេនោះ អ្នកអាចចូលតាមរយៈ IPMI បញ្ឈប់កម្មវិធី ហើយបិទ OS។ ប្រសិនបើមិនមានបណ្តាញណាមួយទេនោះ អ្នកមិនអាចធ្វើអ្វីបានទេ។ "អរគុណ Cap!" អ្នកនឹងគិត។
"ហើយជាទូទៅ មានភាពចលាចលច្រើន" អ្នកក៏អាចគិតផងដែរ។
រឿងនេះគឺថាម៉ាស៊ីនមេ សូម្បីតែគ្មានភ្លើងក៏ដោយ ក៏បង្កើតកំដៅយ៉ាងច្រើន។ កាន់តែច្បាស់ជាងនេះទៅទៀត នៅពេលដែលមានភាពត្រជាក់ ពួកវាបង្កើតកំដៅ ហើយនៅពេលដែលគ្មានភាពត្រជាក់ ពួកវាបង្កើតជា inferno នរក ដែលល្អបំផុតនឹងរលាយផ្នែកនៃឧបករណ៍ និងបិទផ្នែកមួយទៀត ហើយអាក្រក់បំផុត... សាលដែលស្ទើរតែធានាថានឹងបំផ្លាញអ្វីៗទាំងអស់។

១៥:៣៩ . យើងដោះស្រាយបញ្ហាជាមួយមូលដ្ឋានទិន្នន័យ conf ។

មូលដ្ឋានទិន្នន័យ conf គឺជាផ្នែកខាងក្រោយសម្រាប់សេវាកម្មនៃឈ្មោះដូចគ្នា ដែលត្រូវបានប្រើដោយកម្មវិធីផលិតកម្មទាំងអស់ដើម្បីផ្លាស់ប្តូរការកំណត់យ៉ាងឆាប់រហ័ស។ បើគ្មានមូលដ្ឋាននេះទេ យើងមិនអាចគ្រប់គ្រងប្រតិបត្តិការរបស់វិបផតថលបានទេ ប៉ុន្តែវិបផតថលខ្លួនឯងអាចដំណើរការបាន។

១៥:៤១ . ឧបករណ៍ចាប់សញ្ញាសីតុណ្ហភាពនៅលើឧបករណ៍បណ្តាញស្នូលកត់ត្រាការអានជិតដល់អតិបរមាដែលអាចអនុញ្ញាតបាន។ នេះគឺជាប្រអប់ដែលកាន់កាប់ rack ទាំងមូល និងធានានូវប្រតិបត្តិការនៃបណ្តាញទាំងអស់នៅក្នុងមជ្ឈមណ្ឌលទិន្នន័យ។

១៥:៤២ . កម្មវិធីតាមដានបញ្ហា និងវិគីមិនអាចប្រើបានទេ សូមប្តូរទៅរង់ចាំ។
នេះ​មិន​មែន​ជា​ការ​ផលិត​ទេ ប៉ុន្តែ​ក្នុង​ករណី​មាន​ឧបទ្ទវហេតុ ការ​មាន​មូលដ្ឋាន​ចំណេះ​ដឹង​ណា​មួយ​អាច​មាន​សារៈ​សំខាន់។
១៥:៥០។ ប្រព័ន្ធត្រួតពិនិត្យមួយបានបិទ។
មានពួកគេមួយចំនួន ហើយពួកគេទទួលខុសត្រូវចំពោះទិដ្ឋភាពផ្សេងៗនៃសេវាកម្ម។ ពួកវាមួយចំនួនត្រូវបានកំណត់រចនាសម្ព័ន្ធដើម្បីដំណើរការដោយស្វ័យភាពនៅក្នុងមជ្ឈមណ្ឌលទិន្នន័យនីមួយៗ (នោះគឺពួកគេត្រួតពិនិត្យតែមជ្ឈមណ្ឌលទិន្នន័យផ្ទាល់ខ្លួនរបស់ពួកគេ) ខ្លះទៀតមានសមាសធាតុចែកចាយដែលមានតម្លាភាពដែលអាចរួចផុតពីការបាត់បង់មជ្ឈមណ្ឌលទិន្នន័យណាមួយ។
ក្នុងករណីនេះវាឈប់ដំណើរការ សូចនាករតក្កវិជ្ជាអាជីវកម្ម ប្រព័ន្ធរកឃើញភាពមិនប្រក្រតីដែលដំណើរការក្នុងរបៀបរង់ចាំមេ។ បានប្តូរទៅរង់ចាំ។

ការសុំកូនចិញ្ចឹម

១៥:៥១ . ម៉ាស៊ីនមេទាំងអស់លើកលែងតែ MS SQL ត្រូវបានបិទតាមរយៈ IPMI ដោយមិនបានបិទត្រឹមត្រូវ។
តើអ្នកត្រៀមខ្លួនរួចរាល់ហើយឬនៅសម្រាប់ការគ្រប់គ្រងម៉ាស៊ីនមេដ៏ធំតាមរយៈ IPMI បើចាំបាច់?

ពេលដែលការសង្គ្រោះឧបករណ៍នៅក្នុងមជ្ឈមណ្ឌលទិន្នន័យត្រូវបានបញ្ចប់នៅដំណាក់កាលនេះ។ អ្វី​គ្រប់​យ៉ាង​ដែល​អាច​ធ្វើ​បាន​ត្រូវ​បាន​ធ្វើ​រួច។ មិត្តរួមការងារខ្លះអាចសម្រាកបាន។
16: 13 ។ ព័ត៌មានត្រូវបានទទួលថាបំពង់ freon ពីម៉ាស៊ីនត្រជាក់បានផ្ទុះនៅលើដំបូល - នេះនឹងពន្យារពេលការបើកដំណើរការមជ្ឈមណ្ឌលទិន្នន័យបន្ទាប់ពីភ្លើងត្រូវបានលុបចោល។
១៦:១៩។ យោងតាមទិន្នន័យដែលទទួលបានពីបុគ្គលិកបច្ចេកទេសនៃមជ្ឈមណ្ឌលទិន្នន័យការកើនឡើងនៃសីតុណ្ហភាពនៅក្នុងសាលបានឈប់។
១៧:១០ . មូលដ្ឋានទិន្នន័យ conf ត្រូវបានស្ដារឡើងវិញ។ ឥឡូវនេះយើងអាចផ្លាស់ប្តូរការកំណត់កម្មវិធី។
ហេតុអ្វី​វា​សំខាន់​ម៉្លេះ ប្រសិនបើ​អ្វីៗ​មាន​កំហុស ហើយ​ដំណើរការ​សូម្បីតែ​គ្មាន​មជ្ឈមណ្ឌល​ទិន្នន័យ​មួយ?
ទីមួយ មិនមែនអ្វីៗទាំងអស់សុទ្ធតែមានការអត់ឱនចំពោះកំហុសនោះទេ។ មានសេវាបន្ទាប់បន្សំជាច្រើនដែលមិនទាន់រួចផុតពីការបរាជ័យនៃមជ្ឈមណ្ឌលទិន្នន័យគ្រប់គ្រាន់ ហើយមានមូលដ្ឋានទិន្នន័យនៅក្នុងរបៀបរង់ចាំមេ។ សមត្ថភាពក្នុងការគ្រប់គ្រងការកំណត់អនុញ្ញាតឱ្យអ្នកធ្វើអ្វីគ្រប់យ៉ាងដែលចាំបាច់ដើម្បីកាត់បន្ថយផលប៉ះពាល់នៃផលវិបាកនៃឧបទ្ទវហេតុលើអ្នកប្រើប្រាស់សូម្បីតែក្នុងស្ថានភាពលំបាកក៏ដោយ។
ទីពីរ វាច្បាស់ណាស់ថាប្រតិបត្តិការនៃមជ្ឈមណ្ឌលទិន្នន័យនឹងមិនត្រូវបានស្ដារឡើងវិញពេញលេញទេនៅក្នុងប៉ុន្មានម៉ោងខាងមុខនេះ ដូច្នេះចាំបាច់ត្រូវចាត់វិធានការដើម្បីធានាថាភាពមិនអាចប្រើបានយូរអង្វែងនៃការចម្លងមិននាំឱ្យមានបញ្ហាបន្ថែមដូចជាថាសពេញនៅក្នុង មជ្ឈមណ្ឌលទិន្នន័យដែលនៅសល់។
១៧:២៩ . ដល់ម៉ោងភីហ្សា! យើងជួលមនុស្ស មិនមែនមនុស្សយន្តទេ។

ការស្តារឡើងវិញ

១៨:០២ . នៅក្នុងសាលលេខ 18 (របស់យើង), 02, 8 និង 9 សីតុណ្ហភាពមានស្ថេរភាព។ ឧបករណ៍មួយក្នុងចំណោមឧបករណ៍ដែលនៅក្រៅបណ្តាញ (លេខ 10) នៅក្នុងផ្ទះរបស់យើង ហើយសីតុណ្ហភាពនៅទីនោះនៅតែបន្តកើនឡើង។
១៨:៣១ . ពួកគេបានបើកដំណើរការឧបករណ៍នៅសាលលេខ 18 និងទី 31 - សាលទាំងនេះមិនត្រូវបានប៉ះពាល់ដោយអគ្គីភ័យទេ។

បច្ចុប្បន្ននេះ ម៉ាស៊ីនមេកំពុងត្រូវបានដាក់ឱ្យដំណើរការនៅក្នុងសាលលេខ 1, 3, 8 ដោយចាប់ផ្តើមពីកន្លែងសំខាន់ៗបំផុត។ ប្រតិបត្តិការត្រឹមត្រូវនៃសេវាកម្មដែលកំពុងដំណើរការទាំងអស់ត្រូវបានពិនិត្យ។ នៅតែមានបញ្ហាជាមួយសាលលេខ 7 ។

១៨:៤៤ . បុគ្គលិកបច្ចេកទេសនៃមជ្ឈមណ្ឌលទិន្នន័យបានរកឃើញថានៅក្នុងបន្ទប់លេខ 18 (កន្លែងដែលមានតែឧបករណ៍របស់យើងប៉ុណ្ណោះ) ម៉ាស៊ីនមេជាច្រើនមិនត្រូវបានបិទទេ។ យោងតាមទិន្នន័យរបស់យើង ម៉ាស៊ីនមេចំនួន 44 នៅតែមានអ៊ីនធឺណិតនៅទីនោះ។ បន្ទាប់ពីការត្រួតពិនិត្យលើកទីពីរ យើងរកឃើញម៉ាស៊ីនមេចំនួន 7 ។
២០:១៨ . អ្នកបច្ចេកទេសមជ្ឈមណ្ឌលទិន្នន័យផ្លុំខ្យល់តាមបន្ទប់ដែលគ្មានម៉ាស៊ីនត្រជាក់តាមរយៈបំពង់ចល័តដែលរត់តាមសាលធំ។
២៣:០៨ . អ្នកគ្រប់គ្រងដំបូងត្រូវបានបញ្ជូនទៅផ្ទះ។ នរណាម្នាក់ត្រូវគេងនៅពេលយប់ ដើម្បីបន្តការងារនៅថ្ងៃស្អែក។ បន្ទាប់ យើងនឹងបញ្ចេញអ្នកគ្រប់គ្រង និងអ្នកអភិវឌ្ឍន៍មួយចំនួនទៀត។
០២:៥៦ . យើង​បាន​បើក​ដំណើរការ​អ្វី​គ្រប់​យ៉ាង​ដែល​អាច​ត្រូវ​បាន​បើក​ដំណើរការ។ យើងធ្វើការត្រួតពិនិត្យជាច្រើននៃសេវាកម្មទាំងអស់ដោយប្រើការធ្វើតេស្តដោយស្វ័យប្រវត្តិ។

០៣:០២ . ម៉ាស៊ីនត្រជាក់នៅជាន់ទី ៧ ចុងក្រោយត្រូវបានជួសជុលឡើងវិញ។
០៣:៣៦ . យើងបាននាំយកផ្នែកខាងមុខនៅក្នុងមជ្ឈមណ្ឌលទិន្នន័យទៅជាការបង្វិលនៅក្នុង DNS ។ ចាប់ពីពេលនេះចរាចរណ៍អ្នកប្រើប្រាស់ចាប់ផ្តើមមកដល់។
យើងកំពុងបញ្ជូនក្រុមរដ្ឋបាលភាគច្រើនទៅផ្ទះ។ ប៉ុន្តែយើងទុកមនុស្សពីរបីនាក់នៅពីក្រោយ។

សំណួរគេសួរញឹកញាប់តូច៖
Q: តើមានអ្វីកើតឡើងពីម៉ោង 18:31 ដល់ 02:56?
ចម្លើយ៖ ដោយអនុវត្តតាម "ផែនការសកម្មភាពគ្រោះមហន្តរាយ" យើងចាប់ផ្តើមសេវាកម្មទាំងអស់ ដោយចាប់ផ្តើមពីសេវាកម្មសំខាន់បំផុត។ ក្នុងករណីនេះ អ្នកសម្របសម្រួលក្នុងការជជែកចេញសេវាកម្មដល់អ្នកគ្រប់គ្រងឥតគិតថ្លៃ ដែលពិនិត្យមើលថាតើប្រព័ន្ធប្រតិបត្តិការ និងកម្មវិធីបានចាប់ផ្តើមឬអត់ មានកំហុសណាមួយ និងថាតើសូចនាករធម្មតាឬអត់។ បន្ទាប់ពីការបើកដំណើរការត្រូវបានបញ្ចប់ គាត់រាយការណ៍ទៅអ្នកជជែកថាគាត់ទំនេរ ហើយទទួលបានសេវាកម្មថ្មីពីអ្នកសម្របសម្រួល។
ដំណើរការនេះត្រូវបានថយចុះបន្ថែមទៀតដោយផ្នែករឹងដែលបរាជ័យ។ ទោះបីជាការបញ្ឈប់ប្រព័ន្ធប្រតិបត្តិការ និងការបិទម៉ាស៊ីនមេបានត្រឹមត្រូវក៏ដោយ ក៏ម៉ាស៊ីនមេមួយចំនួនមិនត្រឡប់មកវិញទេ ដោយសារការបរាជ័យភ្លាមៗនៃថាស អង្គចងចាំ និងតួ។ នៅពេលបាត់បង់ថាមពល អត្រាបរាជ័យកើនឡើង។
សំណួរ៖ ហេតុអ្វី​បាន​ជា​អ្នក​មិន​អាច​ដំណើរការ​អ្វី​គ្រប់​យ៉ាង​ក្នុង​ពេល​តែ​មួយ ហើយ​បន្ទាប់​មក​ជួសជុល​អ្វី​ដែល​កើត​ឡើង​ក្នុង​ការ​ត្រួត​ពិនិត្យ?
ចម្លើយ៖ អ្វីៗត្រូវធ្វើបន្តិចម្តងៗ ព្រោះវាមានភាពអាស្រ័យរវាងសេវាកម្ម។ ហើយអ្នកគួរតែពិនិត្យអ្វីៗគ្រប់យ៉ាងភ្លាមៗ ដោយមិនរង់ចាំការត្រួតពិនិត្យឡើយ ព្រោះវាជាការប្រសើរជាងក្នុងការដោះស្រាយបញ្ហាភ្លាមៗ ដោយមិនចាំបាច់រង់ចាំឱ្យវាកាន់តែអាក្រក់ទៅៗ។

៧:៤០ . អ្នកគ្រប់គ្រងចុងក្រោយ (អ្នកសម្របសម្រួល) បានចូលគេង។ ការងារថ្ងៃដំបូងត្រូវបានបញ្ចប់។
៨:០៩ . អ្នកអភិវឌ្ឍន៍ដំបូង វិស្វករមជ្ឈមណ្ឌលទិន្នន័យ និងអ្នកគ្រប់គ្រង (រួមទាំងអ្នកសម្របសម្រួលថ្មី) បានចាប់ផ្តើមការងារស្តារឡើងវិញ។
០៩:៣៧ . យើង​ចាប់​ផ្ដើម​លើក​សាល​លេខ ៧ (ជាន់​ចុង​ក្រោយ)។
ក្នុងពេលជាមួយគ្នានេះ យើងបន្តស្ដារឡើងវិញនូវអ្វីដែលមិនត្រូវបានជួសជុលនៅក្នុងបន្ទប់ផ្សេងទៀត៖ ការជំនួសថាស/អង្គចងចាំ/ម៉ាស៊ីនមេ ជួសជុលអ្វីគ្រប់យ៉ាងដែល "ឆេះ" ក្នុងការត្រួតពិនិត្យ ការប្តូរតួនាទីត្រឡប់មកវិញនៅក្នុងគ្រោងការណ៍មេ និងរបស់តូចៗផ្សេងទៀត ដែលក្នុងនោះមាន ទោះយ៉ាងណាក៏ដោយច្រើន។
១៧:០៨ . យើងអនុញ្ញាតឱ្យធ្វើការធម្មតាទាំងអស់ជាមួយផលិតកម្ម។
២១:៤៥ . ការងារនៃថ្ងៃទីពីរត្រូវបានបញ្ចប់។
ម៉ោង ០៩:៤៥ . ថ្ងៃនេះ​គឺជា​ថ្ងៃសុក្រ។ នៅ​មាន​បញ្ហា​តូច​មួយ​ចំនួន​ក្នុង​ការ​ត្រួត​ពិនិត្យ។ ចុងសប្តាហ៍ខាងមុខ អ្នកទាំងអស់គ្នាចង់សម្រាក។ យើង​បន្ត​ជួសជុល​យ៉ាង​ធំ​សម្បើម​គ្រប់​យ៉ាង​ដែល​យើង​អាច​ធ្វើ​បាន។ កិច្ចការរដ្ឋបាលធម្មតាដែលអាចត្រូវបានពន្យារពេលត្រូវបានពន្យារពេល។ អ្នកសម្របសម្រួលគឺថ្មី។
១៥:៤០ . ភ្លាមៗនោះពាក់កណ្តាលនៃជង់ឧបករណ៍បណ្តាញស្នូលនៅក្នុងមជ្ឈមណ្ឌលទិន្នន័យមួយផ្សេងទៀតបានចាប់ផ្ដើមឡើងវិញ។ ផ្នែកខាងមុខត្រូវបានដកចេញពីការបង្វិល ដើម្បីកាត់បន្ថយហានិភ័យ។ មិនមានផលប៉ះពាល់សម្រាប់អ្នកប្រើប្រាស់ទេ។ ក្រោយ​មក​វា​បាន​ប្រែ​ក្លាយ​ថា​វា​ជា​តួ​ខូច។ អ្នកសម្របសម្រួលកំពុងធ្វើការជួសជុលគ្រោះថ្នាក់ពីរក្នុងពេលតែមួយ។
១៧:១៧ . ប្រតិបត្តិការបណ្តាញនៅក្នុងមជ្ឈមណ្ឌលទិន្នន័យផ្សេងទៀតត្រូវបានស្ដារឡើងវិញ អ្វីគ្រប់យ៉ាងត្រូវបានត្រួតពិនិត្យ។ មជ្ឈមណ្ឌលទិន្នន័យត្រូវបានដាក់ចូលទៅក្នុងការបង្វិល។
១៨:២៩។ ការងារនៃថ្ងៃទី 18 ហើយជាទូទៅការស្តារឡើងវិញបន្ទាប់ពីគ្រោះថ្នាក់ត្រូវបានបញ្ចប់។

Afterword

ឆ្នាំ ២០១១ នៅថ្ងៃនៃកំហុស 404, "មិត្តរួមថ្នាក់" បានរួចផុតពីគ្រោះថ្នាក់ដ៏ធំបំផុត។ - សម្រាប់រយៈពេលបីថ្ងៃ វិបផតថលមិនអាចប្រើបានទាំងស្រុង ឬដោយផ្នែក។ ពេញមួយរយៈពេលនេះ មនុស្សជាង 100 នាក់មកពីទីក្រុងផ្សេងៗគ្នា មកពីក្រុមហ៊ុនផ្សេងៗគ្នា (សូមអរគុណម្តងទៀត!) ពីចម្ងាយ និងដោយផ្ទាល់នៅក្នុងមជ្ឈមណ្ឌលទិន្នន័យ ដោយដៃ និងដោយស្វ័យប្រវត្តិ បានជួសជុលម៉ាស៊ីនមេរាប់ពាន់។
យើងបានធ្វើការសន្និដ្ឋាន។ ដើម្បី​ទប់ស្កាត់​កុំ​ឱ្យ​មាន​រឿង​នេះ​កើតឡើង​ទៀត យើង​បាន​អនុវត្ត និង​បន្ត​អនុវត្ត​ការងារ​ឱ្យ​បាន​ទូលំទូលាយ​រហូត​ដល់​សព្វ​ថ្ងៃនេះ ។

តើអ្វីជាភាពខុសគ្នាសំខាន់រវាងគ្រោះថ្នាក់បច្ចុប្បន្ន និង 404?

• យើងមាន "ផែនការសកម្មភាពគ្រោះថ្នាក់" ។ ម្តងមួយភាគបួន យើងធ្វើលំហាត់ - យើងដើរតួក្នុងស្ថានភាពអាសន្ន ដែលក្រុមអ្នកគ្រប់គ្រង (ទាំងអស់នៅក្នុងវេន) ត្រូវតែលុបបំបាត់ដោយប្រើ "ផែនការសកម្មភាពសង្គ្រោះបន្ទាន់" ។ អ្នកគ្រប់គ្រងប្រព័ន្ធនាំមុខគេ ដើរតួនាទីជាអ្នកសម្របសម្រួល។
• ប្រចាំត្រីមាស នៅក្នុងរបៀបសាកល្បង យើងញែកមជ្ឈមណ្ឌលទិន្នន័យ (ទាំងអស់ជាវេន) តាមរយៈបណ្តាញ LAN និង WAN ដែលអនុញ្ញាតឱ្យយើងកំណត់អត្តសញ្ញាណបញ្ហាស្ទះបានភ្លាមៗ។
• ថាសខូចតិចជាងមុន ដោយសារយើងបានរឹតបន្តឹងស្តង់ដារ៖ ម៉ោងប្រតិបត្តិការតិចជាងមុន កម្រិតកំណត់កាន់តែតឹងរ៉ឹងសម្រាប់ SMART,
• យើងបានបោះបង់ចោលទាំងស្រុងនូវ BerkeleyDB ដែលជាមូលដ្ឋានទិន្នន័យចាស់ និងមិនស្ថិតស្ថេរ ដែលទាមទារពេលវេលាច្រើនក្នុងការស្តារឡើងវិញបន្ទាប់ពីការចាប់ផ្តើមម៉ាស៊ីនមេឡើងវិញ។
• យើងបានកាត់បន្ថយចំនួនម៉ាស៊ីនមេជាមួយ MS SQL និងកាត់បន្ថយការពឹងផ្អែកលើម៉ាស៊ីនមេដែលនៅសល់។
• យើងមានរបស់យើងផ្ទាល់ ពពក - ពពកតែមួយដែលយើងបានធ្វើចំណាកស្រុកយ៉ាងសកម្មនូវសេវាកម្មទាំងអស់អស់រយៈពេលពីរឆ្នាំមកហើយ។ ពពកជួយសម្រួលដល់វដ្តទាំងមូលនៃការធ្វើការជាមួយកម្មវិធី ហើយក្នុងករណីមានឧបទ្ទវហេតុ វាផ្តល់នូវឧបករណ៍ពិសេសដូចជា៖
  • ការបញ្ឈប់ត្រឹមត្រូវនៃកម្មវិធីទាំងអស់ដោយចុចតែម្តង។
  • ការផ្ទេរងាយស្រួលនៃកម្មវិធីពីម៉ាស៊ីនមេដែលបរាជ័យ;
  • ចំណាត់ថ្នាក់ដោយស្វ័យប្រវត្តិ (តាមលំដាប់អាទិភាពនៃសេវាកម្ម) ការបើកដំណើរការមជ្ឈមណ្ឌលទិន្នន័យទាំងមូល។

គ្រោះថ្នាក់ដែលបានពិពណ៌នានៅក្នុងអត្ថបទនេះគឺធំបំផុតចាប់តាំងពីថ្ងៃទី 404 ។ ជាការពិតណាស់ មិនមែនអ្វីៗដំណើរការទៅដោយរលូននោះទេ។ ជាឧទាហរណ៍ ក្នុងអំឡុងពេលមិនមានមជ្ឈមណ្ឌលទិន្នន័យដែលខូចដោយភ្លើងនៅក្នុងមជ្ឈមណ្ឌលទិន្នន័យផ្សេងទៀត ថាសនៅលើម៉ាស៊ីនមេមួយបានបរាជ័យ ពោលគឺមានតែការចម្លងមួយក្នុងចំណោមការចម្លងទាំងបីនៅក្នុងចង្កោម Cassandra ប៉ុណ្ណោះដែលអាចចូលប្រើបាន ដែលនេះជាមូលហេតុដែល 4,2% នៃទូរស័ព្ទចល័ត អ្នកប្រើប្រាស់កម្មវិធីមិនអាចចូលបានទេ។ ទន្ទឹមនឹងនេះ អ្នកប្រើប្រាស់ដែលបានភ្ជាប់រួចហើយបានបន្តដំណើរការ។ សរុបមក ជាលទ្ធផលនៃឧបទ្ទវហេតុនេះ បញ្ហាជាង 30 ត្រូវបានរកឃើញ - ពីកំហុស banal ដល់ការខ្វះខាតនៅក្នុងស្ថាបត្យកម្មសេវាកម្ម។

ប៉ុន្តែភាពខុសគ្នាដ៏សំខាន់បំផុតរវាងគ្រោះថ្នាក់បច្ចុប្បន្ន និងលេខ 404 គឺថា ខណៈពេលដែលយើងកំពុងលុបបំបាត់ផលវិបាកនៃអគ្គីភ័យ អ្នកប្រើប្រាស់នៅតែផ្ញើសារ និងធ្វើការហៅជាវីដេអូទៅកាន់ យ៉ាង​ពិតប្រាកដលេងហ្គេម ស្តាប់តន្ត្រី ផ្តល់អំណោយដល់គ្នាទៅវិញទៅមក មើលវីដេអូ ស៊េរីទូរទស្សន៍ និងប៉ុស្តិ៍ទូរទស្សន៍នៅក្នុង យល់ព្រមនិងបានចាក់ផ្សាយផងដែរ។ អូខេបន្តផ្ទាល់.

តើគ្រោះថ្នាក់របស់អ្នកទៅជាយ៉ាងណា?

ប្រភព: www.habr.com