知識星球6月27日，阿裡雲出現大範圍故障，今天凌晨，阿裡雲官方微博公佈了故障的原因，直接原因是由於”運維操作失誤”，改進措施是”復盤改進自動化運維技術和釋出驗證流程”。
能坦誠的公佈問題，而不是用系統抖動或者光纖挖斷之類的詞來敷衍大家，這一點值得肯定。
除了公告提到的增強釋出流程驗證之外，重新審視系統整體的隔離保護體系我覺得也值得一做。故障的時間偏長，暴露了對突發問題處理手段及預案的匱乏。
一個不斷演進的系統，出現問題不可避免，反覆的強調或者追求不出問題未必是最佳的方向，讓團隊具備快速解決問題的能力通常來說更加可行。出了問題後，只要有相應的手段來隔斷問題的範圍（類似大樓裡面的防火門），減少對非故障模組的幹擾，通常不會對使用者整體造成幹擾。
從昨天的情況來看，要麼就沒有防火門的設計，要麼系統有類似的機制，但是處理人員不能熟練地啟用。如果是前者，則需要重新審視整體架構，如果是後者，那就是團隊內部需要反思的問題。
本文由 Tim （微博 @TimYang）投稿，轉載本文請註明出處，技術原創及架構實踐文章，歡迎透過公眾號選單「聯絡我們」進行投稿。
高可用架構
改變網際網路的構建方式
長按二維碼 關註「高可用架構」公眾號
