阿里云出现大规模宕机，原因系IO HANG，或将做出赔偿

事件回溯

据网友爆料，3月2日23:55分左右，阿里云疑似出现大规模故障情况，华北相当多互联网公司都炸了，一众APP和网站陷入瘫痪，一大波程序员、运营和运维人员都赶去公司加班。晚些时候，阿里云对此作出回应称：华北2地域可用区C部分ECS实例状态异常，导致该区域众多网站和APP都无法正常使用，不少公司就此事在微博刊登出回应公告：

阿里云方面暂无确切故障原因并尚未给出具体受影响范围，其工程师正在进行紧急排查处理，并表示如果有进展会及时向用户同步：

对此，不少程序员在微博吐槽，一时之间该话题之下哀鸿遍野。有网友怀疑是部分磁盘出现问题，凡是读写故障盘的系统软件或服务程序均会受到影响。

对于此事，某公司市场总监在微博表示，一直以为阿里云是公有云稳定的代名词，但出现这种事件让没有配套私服的中小公司措手不及，如果有完善的备用方案，不至于出现大规模宕机。

截止发稿时，阿里云方面回应称：服务器等出现IO HANG，正在处理并将对受影响的客户进行赔偿。

云服务99.99%的安全性是否靠谱？

据了解，这不是阿里云第一次出现宕机事故。

2018 年 6 月 27 日 16:21 左右，阿里云也曾出现重大技术故障，16:50 分开始陆续恢复，官方给出的故障时间为 30 分钟左右，恢复时间大概花费一小时。经过技术复盘，阿里给出的故障原因为工程师团队上线自动化运维新功能时，执行了一项变更验证操作，该操作在测试环境中未发生问题，上线后触发未知 bug。

本次事故被定义为 S1 级别，即核心业务重要功能不可用，影响部分用户，造成一定损失。阿里云发布官方声明，表示“对于这次故障，没有借口，我们不能也不该出现这样的失误！我们将认真复盘改进自动化运维技术和发布验证流程，敬畏每一行代码，敬畏每一份托付。”

根据笔者统计，仅去年一年，全球主流云计算厂商就曾发生数十起宕机事故，原因更是五花八门，谷歌云曾因自动化失效导致宕机、AWS曾因数据中心出现硬件问题导致宕机、微软Azure爱尔兰数据中心曾因高温和打雷陷入宕机、腾讯云因运营和硬盘故障陷入宕机…

众多安全事故频发，云厂商承诺的99.99%的安全可靠性是如何定义的？

不久前，笔者曾就云服务的可靠性一事询问阿里云相关技术专家的看法，他表示，云计算厂商得出99.99%可靠性这一数字是经过验证的，通过客户部署反馈，确实故障率在0.01%以下。并且，一旦出现故障，云厂商也都有非常完善的容灾方案，目前主流云厂商已经在提供一定程度上的异构灾备能力，比如，阿里云的3AZ容灾方案，同城一定距离的地方，用户可以自己搭建跨DC方案，技术上能够满足异构容灾需求。如果客户追求极致容灾能力，有可能建设混合云或者采购多家云厂商，架构会带来很大成本压力，但这种选择应该比较少，就好比对安全可靠性要求极高的金融数据库领域，也很少有客户同时选择两种数据库方案。

随着云计算使用量的持续增长，很多企业纷纷开始选择放弃一些控制权，以降低成本。从业界来看，美国大多数互联网企业已经放弃自建数据中心而大规模应用云技术，例如NetFlix大规模应用谷歌云服务，专注于专有云和IaaS的Cloudera和Hortonworks合并过冬。

单一云平台被企业大规模应用同时，这也意味着一旦出现问题，给企业带来的损失和影响是巨大的，多云再次成为重要讨论话题。

多云可以解决所有问题吗？

根据 Gartner 调查，2018 年全球公有云市场整体增长为 21.4%，以亚马逊 AWS、微软 Azure 和阿里云为首的全球云计算“3A”阵营占据超七成市场份额。根据 IDC 数据，在中国市场上，阿里云市场份额相当于第 2 到 9 名的总和。在全球市场，阿里云已超过 Google 和 IBM 的云业务。

据统计，目前 40% 的中国 500 强企业、近一半中国上市公司、80% 中国科技类公司在使用阿里云，其数据中心也在全球范围内增长。可见，国内企业选择阿里云较多，这也让单一云平台绑定问题受到用户关注。

中国平安运维部负责人曾在接受采访时表示，很多大企业如今都会分散选择云服务商。一般情况下，小型企业受限于资金或人员等因素，可能会将所有服务放在同一云计算平台，但大多数中型企业还是倾向于选择多个厂商。

就目前的发展现状而言，云计算服务将越来越趋向于标准化，企业可以轻松得在不同云平台之间进行数据或者应用迁移，多云管理的门槛将被大大降低，如何选择云供应商将完全取决于企业实际需求和业务成本。

就目前国内云计算的应用进程来看，多云对企业带来的挑战非常大，具备容灾意识，尤其是重要业务的灾备方案一定要做好，比如依靠API快速升级扩容切换服务，配合完善的持续集成部署，完全依靠云供应商的长时间不间断服务是不可能的，云上也有故障率，具备完善的灾备意识是现阶段企业负责任的上云态度。