有时候真觉得，做运维这行人，心脏得练得比谁都大。前两天刚好赶上阿里云香港服务器宕机那一波，真是有点想摔鼠标。说起来，宕机这种事，谁都不想碰上，但偏偏它就像感冒一样，防不胜防。那天我还在群里跟同事扯皮，突然一堆报警短信轰炸过来，什么“服务不可用”“连接超时”，我一看IP，心里咯噔一下：完了，香港节点又出事了。
阿里云香港服务器宕机：一场说来就来的“灾难”
其实我一开始还以为是我们自家代码又抽风了，毕竟前阵子刚上线一堆新功能，bug多得像下雨天的蚂蚁。结果一查，工单区、知乎、甚至微博都炸了，大家都在问“阿里云香港挂了？”我还记得有个哥们在某乎上吐槽：“每次搞活动，服务器就跟着罢工，阿里你是故意的吗？”说实话，这种阴谋论我是不太信的，但宕机这事，确实让人挺无语。 对了，顺便说一句，阿里云香港区其实一直挺受欢迎的，主要是带宽大、延迟低，尤其是做跨境电商、游戏、直播的那帮人，基本都在用。可惜好景不长，宕机一来，什么“高可用”“多活架构”都成了笑话。那天我还在想，难道真得像《Site Reliability Engineering》里说的那样，得有心理准备，任何系统都会挂？不过话又说回来了，谁家云厂商没出过事？AWS、Azure、腾讯云，哪个不是年年有大新闻。 我记得2023年阿里云香港区就有过一次大面积故障，据《南华早报》（South China Morning Post, 2023）报道，当时影响了不少金融和电商客户。那次我还没赶上，这次算是亲身体验了。说实话，宕机那会儿，客户电话打爆，老板在群里连发十几个问号，我脑子里只剩下一个念头：赶紧切流量，能救多少救多少。可惜，DNS切到新加坡，延迟飙到三百多毫秒，用户体验直接掉到谷底。你说，这事是不是挺扯的？ 有人说，云上高可用就是个伪命题。其实我觉得也不全是，关键看你怎么设计。比如有个朋友在AWS上搞了多活，香港、新加坡、东京三地互为备份，结果这次阿里云挂了，他那边屁事没有。可我们小公司，预算有限，能上个异地冷备就不错了。说起来，真羡慕那些大厂，钱多任性，想怎么搞都行。 不过说真的，阿里云这次宕机，官方的通报倒是挺快的，半小时内就发了公告，说是“网络设备故障”，还承诺赔偿。可赔偿那点钱，跟业务损失比起来，根本不值一提。有人在群里调侃：“赔你一杯奶茶，损失一单生意。”我当时还真笑不出来。 其实吧，宕机这事，归根结底还是概率问题。你再怎么防，也有百密一疏的时候。就像我在《Google SRE手册》里看到的那句话：“希望不是策略。”你不能指望运气好就没事，得有预案，有演练。可说起来容易，真做起来，哪有那么多时间和资源？我有时候真觉得，做技术的人，活得太累了。 对了，刚才差点忘了说，宕机那天我还在外面吃饭，手机一震，饭都没吃完就跑回公司。后来想想，真不值。生活和工作，怎么就这么难分开呢？不过话说回来，谁让咱干这行呢？有时候还挺佩服自己，能在一堆故障里活下来。 唉，写着写着好像有点跑题了。其实我也说不准，阿里云下次还会不会再挂。反正现在每次上线新服务，我都得多留个心眼，备份、监控、预案，能做的都做了。剩下的，就只能听天由命了。你说，这是不是有点宿命论？不过，谁让咱是运维呢。
