為什么說云主機比物理機故障率更低?
作者介紹
邱模炯
UCloud 平臺開發中心總監，北京大學計算機系研究生畢業，擅長操作系統、虛擬化和數據中心自動化等云平臺的基礎技術。
引言
很多朋友對云平臺可用性有所擔心，認為用物理機更加放心。今天我想就這個話題拋出個人看法。希望對大家有參考意義。先拋出結論：
從業務程序的角度，云主機的可用性可以做到比物理機高，即故障率更低(可用性和故障率接近但不是一個概念，為了便于闡述，下面只討論故障率)。
我見過很多客戶抱怨云主機的故障率。同時，我也見過并且幫好幾個使用物理機的客戶解決問題：
他們沒有專業團隊及大規模環境，對于復雜點的軟硬件故障幾乎束手無策，有時甚至解決的過程把小問題變成大問題。
這也是我今天分享這個話題的動力。下面進入正題，下圖是云主機和物理機軟硬件層次對比：
影響云主機故障率的主要因素有：
- 服務器硬件質量
- 宿主機內核
- 虛擬化層(KVM+QEMU或Xen)
- Linux內核(承載業務程序)
影響物理機故障率的主要因素有：
- 服務器硬件質量
- Linux 內核(承載業務程序)
從上面的對比看，云主機比物理機故障率貌似要高，因為虛擬化層和宿主機內核非常復雜，引入額外的故障率。這是直覺，而且很有道理：
AWS 去年就因為虛擬化層內核的安全漏洞大規模重啟了物理機，多數AWS 用戶受影響。虛擬化層和宿主機內核的BUG 也會同樣造成宕機及重啟。
那為什么還說云主機故障率可以低于物理機呢?
備注：這里我是從終端用戶的角度看的，“從廠商購買的”物理機，來對比“從云平臺購買的”云主機。
原因在于：簡單來說，云平臺廠商往往管理幾萬幾十萬臺物理服務器，并有比較專業的基礎運維團隊和內核團隊，可以在故障率上做大量的工作，以達成這樣的效果：
- 虛擬化層和宿主機內核的故障率接近0。這兩層是內核，通過內核優化來達到;
- 服務器硬件質量可以不斷提升;
- 承載業務程序的Linux內核，云平臺可以幫助用戶進行維護。并解決BUG，修復安全漏洞等。
有人會說，我自己購買的物理機也能做上述優化，效果比云主機更好。 真的是這樣的么?現實情況是：
絕大部分公司管理的服務器數量不多，不足以建立相應的團隊;同時因為服務器數量少(比如不到萬臺)，做軟硬件優化的環境不理想。
下面就上述要點展開。
虛擬化層和宿主機內核的故障率如何降低?
這主要通過自主掌控虛擬化層和宿主機內核，這整套內核來實現。
1. 自主維護Linux內核
商業Linux發行版(如RHEL6.X)的內核其實有不少BUG，因為內核太龐大、太復雜，BUG 修之不盡而且不斷涌現，只要內核有人在改動，更多的BUG就還在路上。
但我們自己維護的Linux內核，我們可以迅速修復并應用進實際環境，不像商業Linux要等待較長的發布周期。
我們還可以預先研究別人犯過的錯誤，把更新補丁打入現在的內核;還可以屏蔽不必要的特性和改動避免BUG的引入。
簡單講，自主維護內核很靈活，最終質量不低于商業Linux發行版。國內有海量服務器的公司如騰訊和阿里都運行自主維護的Linux內核。
2. 免重啟熱補丁技術
這是指通過二進制指令修改的方式修改Linux內核達到修復的目的。
結合自主維護Linux內核，如果發現了BUG并制作修復補丁后，可以免重啟應用到生產環境的Linux內核里。
這點目前主流Linux廠商不提供。但云平臺廠商可以自己做。
3. 熱遷移技術
特殊情況下的熱遷移，可規避尚未完全定位的內核問題。
這三點的綜合效果，使得某些云廠商，因為內核原因造成的宕機低到可以忽略。幾萬臺服務器半年可以減少到一兩次。
可能有些早期用戶應該比較有感覺，幾年軟件宕機不少，給客戶推送的故障報告不時就和內核有關，但經過一年半載的工作后，現在幾乎沒有了。
#p#
服務器硬件質量如何提升?
服務器硬件故障率的影響因素有廠商品牌、機型、服務器運行時間、以及部件型號的故障率。
這里的工作需要海量服務器來做，比如上萬臺才有意義，而幾百上千臺意義不大。
這里有一張圖，體現我們可以主動采取部分措施。
1. 服務器故障率和廠商機型關系密切
我們可以監控各廠商機型的故障率，主動下架比較差的，從而提升總體質量。
一般來說，小廠的服務器故障率會高一些，但大廠即使DELL、聯想的個別機型也會有較高故障率。
這主要和機型設計和生產質量管控有關，就不闡述了。我們能做的是選擇故障率低的廠商和機型。
2. 服務器運行時間久了，故障率會隨之提升
對于云平臺廠商，可以監控這一切故障發生前的征兆，并主動采取措施，通過熱遷移手段避免云主機受影響。
3. 硬件宕機和部件缺陷關系很大
我們的統計發現，部件種類里，硬盤故障故障率***，其次內存硬件、RAID卡等。
對于硬盤故障，可以通過RAID方式規避。對于內存硬件，可以通過內存故障隔離等內核手段，大幅度減少其硬件故障造成的宕機及影響。
總的來講，通過上述這些工作，云平臺廠商可以讓服務器硬件故障率逐步降低。其實，可以做的更多，篇幅原因就不講了。而這樣的工作，對于沒有海量環境的公司是很難做的，效果也不佳。
另外，云平臺廠商可以替用戶修復云主機內核的BUG和安全漏洞，降低內核故障率。
我們在這方面做了一些工作，內核版本會及時更新，關鍵漏洞會提供免重啟熱補丁修復包。
觀點總結
簡要總結一下本文的主要觀點：
- 云主機相比物理機，虛擬化層和宿主機內核的額外復雜性及故障率可以被優化至接近0即可以忽略。
- 服務器硬件故障，云平臺可以不斷降低其故障率，主要手段通過內核隔離硬件故障、熱遷移規避故障隱患，以及監控故障率并主動下架不良廠商機型等。
上述這些工作都需要非常專業的運維團隊和內核團隊才能實施，如果沒有足夠大的服務器數量是很難開展的。
而大型云廠商往往管理幾萬、幾十萬服務器，因此具備這樣的條件。也因此，云主機故障率能低于物理機(當然，如果什么都不做，云主機故障率一定是高于物理機的)。
如何一起愉快地發展
“高效運維”公眾號(如下二維碼)值得您的關注，作為高效運維系列微信群的唯一官方公眾號，每周發表多篇干貨滿滿的原創好文：來自于系列群的討論精華、運維講壇線上精彩分享及群友原創。“高效運維”也是互聯網專欄《高效運維***實踐》及運維2.0官方公眾號。
提示：目前高效運維兩個微信主群僅有少量珍貴席位，如您愿意，可添加蕭田國個人微信號 xiaotianguo 為好友，進行申請;或申請加入技術交流群(技術討論為主，沒主群那么多規矩，更熱鬧)。
重要提示：除非事先獲得授權，請在本公眾號發布2天后，才能轉載本文。尊重知識，請必須全文轉載，并包括本行及如下二維碼。
