為什么會發生IT災難？
一、概述
IT災難事件大家都不陌生，也是老生常談了，但為什么會發生IT災難事件呢?深入來看其實包含兩個方面，即觸發因素和根本原因。觸發因素是觸發初始事件或異常情況，根本原因是把最初的事件變成災難的原因，它們通常與無法在合理的時間(可容忍的RTO時間)內從事件中成功恢復有關，而且災難并非總是如人們所料而發生。
二、IT災難的觸發因素
正常數據中心運營面臨的典型IT災難觸發因素總結包括以下方面：
1、機房遭遇滲水或漏水事故;
2、停電相關事件，如短路、閃電或中央斷電;
3、機房冷卻系統故障;
4、火災，通常由于過熱，短路或電子元件故障產生;
5、人為錯誤或缺乏使用技巧，這種情況有時代價高昂;
6、軟件故障，程序員可能會犯錯;
7、數據中心和外部的通信故障，有情況發生時，延誤了處理;
8、地震、臺風、洪水，山火等自然災害，全球變暖，極端氣候會增多;
9、機器設備本身硬件故障;
10、錯誤冗余，也就是冗余在關鍵時刻沒起到作用;
11、蓄意的網絡攻擊，如黑客或者勒索軟件等;
12、網絡病毒感染;
13、地區社會暴亂或者戰亂;
14、其他無法預料的突發事件。
三、IT災難的根本原因
IT災難的根本原因也就是把我上面提到的這些觸發因素演變成真正IT災難的原因，如果保護和預防措施很到位的話，那就不能稱得上是真正的災難了，因為可以恢復，或者把損失降到可以接受的范圍內。那么相反一旦發生IT災難，如果沒有做好相應的保護機制和措施，最不好評估的損失就是數據的損失，因為絕大部分數據一旦丟失是不可再生的。
這里著重討論一下，在許多情況下，雖然有諸多的保護措施，但是有些措施還是有不確定性，也就是不能確保在災難發生時一定會起作用。例如以下情況：
1、不間斷電源
有一種情況，在電源故障后，人們才發現UPS電池耗盡或UPS單元之間的電源平衡不正確，結果其中一個UPS單元過載并發生故障，導致與其相連的系統癱瘓;
2、防火隔離保護
只有在真正發生火災的情況下，人們才能知道這個系統效果有多大。如果只有一個水管，一個電纜隧道或一個冷卻隧道沒有很好地隔離，那么火災或不可接受的高溫很可能會蔓延到相鄰的房間;
3、滅火系統
除非在真實的環境中進行試驗，否則人們不會知道是否有氣體泄漏或系統故障;
4、錯誤冗余
由于配置錯誤，可能有些冗余保護起不到真正的冗余作用。根據我們的經驗，這通常適用于通信交換機，SAN控制器和某些存儲系統。可能只有當其中一個系統出現故障時，組織才會發現高可用配置不正確，并發生應用程序中斷;
5、異地災備間飛行數據丟失問題
在異地災備中，故障轉移到遠程位置是災難恢復戰略的一個關鍵部分。然而啟動故障轉移的最大障礙是兩個站點之間數據完整的不確定性。這種不確定性的原因是生產站點和恢復站點之間傳輸的數據不一致。一個站點上的災難需要能夠在一個遠程位置進行恢復，即遠離主站點的物理實際空間。確保遠程恢復的一個主要問題是確保飛行中的數據完整且一致。那么何為飛行中的數據丟失呢?災難發生后生產系統可能已提交數據更改，但數據可能未到達恢復站點，這就是飛行中的數據丟失，如果能確保飛行中的數據零丟失，能使您能夠頻繁地進行故障切換和故障恢復。測試故障轉移過程應該成為一個常規事件，用于評估和改進災難恢復過程和準備情況;
6、日益嚴重的蓄意攻擊
互聯網正在受到更頻繁的，更嚴重的攻擊。從生活中的冰箱，汽車到健身監測器，超過200億臺各種類型的設備連接到互聯網，每周還持續增長數百萬臺設備新連接到互聯網上，安全漏洞和漏洞的數量正呈爆炸式增長。網絡攻擊的違規行為的代價是驚人的，可能會威脅到某些公司的生存。個人覺得如果出現了一個新的網絡威脅，那么隨著技術的發展，新的防御措施也會產生，但出現了一個新的防御措施，那么可能新的攻擊方法又會出現。所以建議用戶最好備份多個副本，至少要保留一個“末日”副本，也就是數據和日志文件的原始副本。
四、總結
事件觸發因素與大量低概率的根本原因共同促成了IT災難，所以IT災難并不是表面上的那么簡單。人類在評估低概率事件的影響力方面比較弱，對IT災難風險的清醒評估至關重要，至于具體采用什么等級的措施或者資金要投入多少，要達到什么程度，可根據不同的預算情況和業務的重要性來實施，但首先要認識到這個問題。
