在 6 月 5 號，唯品會發布了 23 年 3 月 29 號的故障報告，因為南沙 IDC 冷凍系統故障導致唯品會線上商城停止服務，造成了數以億計的損失（作為小運維的我，瑟瑟發抖）。

對于唯品會來說，線上商城是其核心業務入口，故障不可避免，但是故障如此之長卻不能容忍，為什么會造成這種事情發生呢？在我們這種小運維的眼里，這種事故不應該發生在這種量級的公司中，我們都是在模仿、學習他們的 PPT 中尋找運維之路。

但是，PPT 的高大上，無法壓住故障不發生，這是為什么呢？

我個人斗膽說幾種猜測：

1. PPT≠ 現實
2. 故障演練=走過場？
3. 多活，說說而已？
4. 巧婦難為無米之炊

PPT≠ 現實

現在國內各種技術大會，然后邀請一些知名企業的 CTO、技術負責人等到場演講，從演講來看，每家公司都很強（至少 PPT 上是這樣展示的），每次我聽完都會豁然開朗，大受裨益，打心底佩服這些公司，佩服他們超強的思維、超高的能力以及超酷的團隊。

但是，PPT 畢竟只是一個輔助工具，它不能代替現狀。

漂亮的 PPT 只是給想看的人看的，不漂亮的事情是要獨自去承受的。

之前有看多唯品會在 GOPS 上的分享，PPT 上呈現的確實很棒，如果拿著這個向上匯報，老板也會覺得我們公司的技術真厲害，做的真好，給了老板一切都很好的假象。

出了問題，不辦你辦誰？

從自己嘴里吹出去的牛逼，也會回到自己嘴里。

故障演練=走過場？

在《SRE：Google 運維解密》這本書中，故障演練占了很大的篇幅。通過故障演練，可以提高系統的可靠性和容錯性，可以讓團隊更好的了解系統的架構和工作原理，可以更好的理解各模塊的相互影響，可以更快的發現系統架構中的漏洞和故障。

可以說，故障演練是整個穩定性保障的核心環節，因為它可以幫助團隊最大限度的減少實際故障的同時，也能更高效的應對可能出現的問題。

但是，實際中是這樣的么？

在實際進行故障演練的時候，要預定故障點，要整理輸出具體的應對措施，要指定全面的計劃，要準確描述每個人的工作職責和任務。

光這些前置工作就需要耗費很大的人力物力，很多團隊、很多人就會精簡步驟、精簡措施，抱著做了就行的心態看待故障演練，抱著僥幸心態看待故障本身，把希望寄托在別人不出問題的情況下。

比如把希望寄托于公有云，公有云不出問題，整個系統就是穩定的，但是公有云 ≠ 完全可靠，谷歌云、阿里云、騰訊云等都發生過重大事故，然而買單的還是用戶自己。

所以，對于運維團隊或者 SRE 團隊，需要認真對待故障演練，不僅要做好演練的前置準備工作，在演練中也要密切關注計劃，發現問題及時采取措施并進行修正。

不要讓演練成為走過場，不要讓演練成為 KPI，不然你就是下一個優化對象。

多活，說說而已？

3 月 29 日唯品會的問題，可以從側面反映：多活，也許真是說說而已。

隨著業務的發展，系統架構會不斷演變，因為我們對高可用的要求越來越高。

比如從同機房的單機架構->同機房的主備架構->同城多機房架構->兩地三中心架構等。

如果唯品會做了同城多機房，就算最簡單的同城主備，也不至于宕機 12 個小時。

更別說如果做了同城雙活。

但是，我只是站在上帝視角猜測。也許他們也做了多活，只是假多活罷了。

巧婦難為無米之炊

上面總總，到頭來都會走到財力、人力、物力上來，就拿多活來說，搞一個同城災備，投入的成本就不是 dubbo 那么簡單，每當 SRE 負責人向上匯報申請資金的時候，如果上面的領導不予支持（錢，錢沒掙，還要花這么多），什么都是白搭。

領導要壓成本，下面要錢做事，成本不足導致入不敷出，也就會出現 PPT 漂亮，實際很爛的局面。

縱有一腔抱負，乃無用武之地。

出了問題，還要用你祭天。

最后

上面所說純屬虛構，如有雷同，請點贊~

在很多公司，運維的話語權很低，低到離譜，這就導致運維在做事或者推進事情的時候寸步難行。

但是，一旦出現問題，運維卻是被第一個推出來的，所以“背鍋俠”一直被扣在運維頭上。

那作為運維應該怎么做呢？

1. 走出去——不要局限于運維團隊內部，要走出去，讓業務部門知道運維的價值。
2. 走進去——運維知識體系復雜多變，要走進知識內部，深度理解背后的原理，用你的專業來為團隊服務。
3. 走上去——要提升運維影響力，通過專業的能力和積極的態度爭取更多的信任和支持，改變現狀，提升地位。

最后，說歸說，鬧歸鬧，別拿生產開玩笑。