Azure SRE 教程
SRE简介
站点可靠性工程是一门工程专业,致力于持续帮助组织实现系统、服务和产品的可靠性级别。——本·特雷诺·斯洛斯
SRE 最核心的一词是“可靠性”,定义中说的不是“适当性能级别”、“适当效率级别”、“适当稳定性级别”或“达到适当收入级别”, 而是“适当可靠性级别”。如果应用程序没有正常运行(即如果它在客户需要访问它时无法运行或如果它不可靠),这对任何人都没有任何好处,尤其是对企业。缺少可靠性可能会(在信誉、经济、合同、士气等方面)对企业造成实际危害。
站点可靠性工程是一门工程专业,致力于持续帮助组织实现系统、服务和产品的可靠性级别。据 SRE 领域的重要观察,必须 100% 可靠的系统和服务寥寥无几。 值得注意的例外是,航空、医疗设备等生死攸关的行业。可靠性级别必须与业务需求保持一致,且切实可行。 例如,我们的客户可能通过不是 100% 可靠的网络连接到你(假设 90% 的时间都是)。 花费精力和金钱来确保服务 95% 的可靠性显然浪费时间和金钱。 建议实现系统、服务和产品的适当可靠性级别。
我们在继续之前需要重点强调的定义中的最后一个词是“持续”。 “持续”是指人员的角色。 创建可持续的操作实践至关重要。 人员生成可靠的系统、服务和产品。 如果我们不采取措施确保我们的工作是可持续的。 如果我们每天凌晨 3:00 把员工叫醒交付他们工作,不给他们和家人在一起的时间。 如果他们没有机会花时间照顾自己。 那么,他们就不可能构建可靠的系统。 SRE 认为我们非常有必要实施一种长期可持续的操作实践,以便我们的员工能够在工作中发挥最大才能。
DevOps 可以理解为一种让开发和运维更紧密合作的软件交付方式。过去开发人员主要负责写代码,运维人员主要负责部署和维护系统,两边往往彼此独立。这样很容易出现“开发只管功能,运维只管稳定”的问题。DevOps 想解决的就是这种割裂,让开发、测试、部署和运维尽量形成一条连续的流程,并通过 CI/CD、自动化测试、自动部署等方式提高软件交付效率。
SRE,也就是站点可靠性工程,更关注系统上线之后如何长期稳定运行。它的核心思想是把传统运维中的问题当成工程问题来解决。例如,系统出现故障时,不只是依赖运维人员手动处理,而是考虑能不能通过监控、自动恢复、容量规划等方式提前发现和自动解决。SRE 还会用 SLI、SLO、Error Budget 等指标来明确“系统到底需要多可靠”。
两者最大的区别在于关注重点不同。DevOps 更关心“开发和运维怎么更好地协作,以及软件怎么更快、更顺利地上线”;SRE 更关心“系统上线之后怎么保持可靠,出了故障怎么快速恢复,以及怎么减少人工运维”。因此,DevOps 更像一种文化和工作方式,而 SRE 更像一套比较具体的工程方法。
不过两者并不是互相替代的关系。它们都强调自动化、监控、持续改进和减少人为失误,所以实际工作中经常会一起出现。一个已经实行 DevOps 的团队,通常也更容易进一步引入 SRE 的做法。DevOps 主要解决“怎么把软件交付好”,SRE 主要解决“怎么让软件运行好”。
假设你正计划要将一项新服务投入生产,可能是已构造的服务,也可能是仍在计划过程当中的服务。 在此过程中,务必要对所需的可靠性做出一些决定。 如果不是所有代码都是你自己编写的,请与编写相应代码的开发人员共同做出这些决定(这一点至关重要)。
要做出的第一个决定是,应该用什么作为服务运行状况的指标(即“服务级别指标 (SLI)”)? 这个问题的另一种问法是,“如何判断服务何时在运行且运行良好?”。 有很多方法可以跟踪 SLI,我们稍后会详细探讨一些方法。 但是,以下指标是很典型的:
- 成功与失败度量标准: 服务是否在某个时间间隔内成功完成一定比例的操作?
- 计时度量值: 我们在某个时间阈值内是否返回答案?
- 吞吐量度量值: 我们处理了一定量的数据吗?
SLO(Service Level Objective,服务级别目标)是团队根据服务运行指标设定的可靠性目标。例如,可以规定一天内的故障率不超过 20%。这里使用 20% 这样较大的数值,一方面便于理解和计算,另一方面也体现了 SRE 中对开发速度与运行稳定性之间平衡的考虑:在满足可靠性要求的同时,为持续交付、快速迭代和敏捷开发保留一定的调整空间。后续还可以进一步限定统计范围,例如哪些用户受到影响、错误率针对部分用户还是大多数用户等,从而使 SLO 的定义更加精确。
必须能够在监视系统中准确度量和表示 SLO。 这应该是一个客观且易于理解的服务可靠性目标。 多大的数字才够好呢? 不得有下面这样的说辞:“好吧,我认为这项服务在过去一周左右的时间里一直没问题,但具体怎样很难说”。 服务要么实现 SLO,要么没有实现。 数据应该很明确。 如果服务没有实现 SLO(特别是在一段时间内反复这样),表示服务出现了问题,需要进行解决。
误差预算(Error Budget)是由 SLO 推导出来的“允许不可靠空间”。如果某项服务的 SLO 是 80% 可用性,那么理论上的误差预算就是 100% - 80% = 20%。这 20% 表示:只要整体可靠性仍然满足 SLO,服务可以在这部分范围内承担一定的故障、发布风险或升级带来的不稳定。
误差预算的意义在于,它为开发速度和系统稳定性之间提供了一个可以量化的平衡。例如,新版本上线后导致 10% 的额外故障时间,只要仍然没有超出 20% 的误差预算,就可以认为整体仍处于可接受范围内。因此,团队可以把一部分误差预算用于发布新功能、升级系统和快速迭代。
如果服务可靠性下降到 SLO 以下,例如目标是 80%,实际却只有 60%,就意味着误差预算已经耗尽甚至透支。此时团队通常会减少或暂停新的功能发布,把更多工程资源投入到稳定性、故障排查和可靠性改进中,直到服务重新恢复到目标水平。
因此,误差预算可以看作一种反馈机制:预算充足时,团队可以更积极地发布和迭代;预算接近耗尽时,就应更加保守;预算耗尽后,则优先修复可靠性问题。它把“到底该继续发版本,还是先解决稳定性问题”从主观争论转化成了基于 SLO 的工程判断。
事后调查(Postmortem)是对重大故障或异常事件进行回顾分析,目的是弄清楚故障为什么发生、哪些环节失效,以及今后如何避免类似问题再次出现。SRE 特别强调“无责备事后调查”,也就是分析重点放在系统、流程和信息设计上,而不是追究某个具体人员的责任。
无责备并不意味着忽视人的操作,而是进一步追问:为什么现有流程会允许一次操作演变成故障?当事人在当时缺少了什么信息?哪些提示或机制可能让他做出了错误判断?系统是否应该增加自动检查、权限限制、回滚机制或其他保护措施?核心目标是让系统本身变得更不容易出错。
这种做法背后的逻辑是,如果每次事故都优先寻找“谁犯了错”,员工以后就会更倾向于隐瞒问题、避免操作和拒绝尝试,从而让组织失去真正学习和改进的机会。相反,良好的事后调查会把故障转化为经验,通过持续改进流程和技术,让整个系统越来越可靠。
因此,SRE 把故障看作学习机会。每次事故都应该形成“发生故障—分析原因—改进系统—降低未来风险”的反馈循环,这也是 SRE 持续提升可靠性的核心机制之一。
Toil 是 SRE 中专门用来描述低价值重复性运维工作的概念。它通常具有手动、重复、可自动化、会随系统规模增长而增加等特点,而且完成这些工作并不会让系统得到长期改善。例如,反复重启进程、定期手动重置配置、人工创建账号或分配磁盘空间,都属于典型的 Toil。
Toil 的关键问题不在于工作本身是否困难,而在于它需要不断重复投入人力,却不会形成长期收益。即使这些工作通过工单系统被规范地记录和处理,只要最终仍然需要工程师一次次手动完成,它依然属于 Toil。
SRE 会尽可能减少或消除 Toil,其中最重要的手段之一就是自动化。通过把重复操作交给脚本、平台或自动化系统完成,可以让工程师把时间投入到架构改进、可靠性优化和工具建设等更有长期价值的工作中。不过,并不是所有 Toil 都必须立即消除,是否值得自动化仍要结合成本和优先级判断。
SRE 团队需要在“日常运维”和“长期工程改进”之间保持平衡。工程师不能把全部时间都用在处理告警、响应故障和清理工单上,还必须留出足够的时间编写代码、建设自动化工具、减少 Toil,并通过工程项目持续提高系统可靠性。
Google SRE 模型中常引用的原则是:操作性工作最好不要长期超过团队总时间的 50%。这里的 50% 并不是严格标准,而是一个经验性的上限,用来提醒团队必须为自动化和可靠性建设保留足够的工程时间。
在严重故障期间,SRE 团队短时间内把几乎全部精力投入救火是正常的;但如果这种状态长期持续,说明团队已经陷入被动运维:大量时间用于处理重复问题,却没有时间从根源上消除这些问题。这不仅容易造成工程师疲劳,也会使系统可靠性难以真正提高。
因此,SRE 强调形成一个正向循环:控制日常运维负担,把节省下来的时间投入自动化和可靠性改进,再进一步减少未来的运维负担。同时,也需要合理分配值班和告警压力,避免少数成员长期承担过重的响应任务。
可靠性核心思路
可靠性(Reliability)是指系统在发生故障、异常或中断时,仍然能够持续提供预期功能的能力。一个可靠的系统通常需要同时具备韧性(Resiliency)、可恢复性(Recoverability)和可用性(Availability)。韧性强调系统在部分组件发生故障时仍能继续运行;可恢复性强调当故障超过系统的承受能力后,能够在约定时间内恢复服务;可用性则强调用户能否在承诺的时间范围内,以预期的质量访问服务。
在分布式系统中,故障几乎是不可避免的。某些组件可能发生故障,而其他组件仍然正常工作,因此系统设计不能建立在“不会出错”的假设上。真正需要考虑的是:系统能否提前发现问题、限制故障影响范围,并在必要时快速恢复,避免局部故障最终影响用户体验和业务目标。
可靠性不能只依赖某一个环节,而应同时体现在应用代码、基础设施和日常运维中。例如,应用本身需要具备异常处理和降级能力,基础设施需要考虑冗余和故障切换,运维则需要具备监控、告警和恢复机制。这些设计都应该服务于业务需求,而不能为了提高可靠性随意改变系统原本要实现的业务目标;如果必须做出取舍,就应该把它视为明确的架构权衡。
因此,可靠性设计应该贯穿整个开发生命周期,从设计阶段开始考虑系统可能出现的故障,并根据实际业务要求选择合适的方案。设计原则和可靠性检查清单的作用,就是帮助团队提前考虑这些问题,而不是等系统上线后出现事故再被动补救。对于普通系统,可靠性不足可能造成服务中断和经济损失;对于关键系统,严重的可靠性问题甚至可能影响安全。
面向业务需求进行设计
可靠性设计应从业务需求出发,而不是凭经验猜测。需要先明确系统范围、用户增长、服务承诺、可接受的用户体验以及成本和技术约束,再根据这些要求选择合适的可靠性方案。
| 设计方法 | 通俗解释 | 作用 |
|---|---|---|
| 明确解决方案的范围和深度,包括需要多高的韧性、恢复能力、可观测性和简洁性,并确定成本、合规、地域、延迟等约束 | 先搞清楚“这个系统到底需要做到什么程度”,不要一开始就按最高标准设计 | 明确“做到什么程度就足够”,避免目标模糊导致反复修改设计、浪费成本 |
| 将业务目标转化为架构上的权衡,综合考虑成本、工程复杂度、安全和运维负担 | 每提高一点可靠性,通常都要付出额外成本,所以必须权衡 | 让业务方理解可靠性要求背后的代价,从而形成现实可行的目标 |
| 优先针对关键用户流程定义可靠性目标,而不是只关注整体 uptime | 不要只看“网站有没有活着”,而要看用户最重要的操作能不能完成 | 让可靠性直接对应真正有业务价值的功能 |
| 按时间尺度考虑需求,例如上线时的用户量以及未来用户是线性、快速还是不确定增长 | 不只考虑现在能不能跑,还要考虑未来规模扩大后是否还能稳定运行 | 既满足当前需求,又避免未来因为增长而大规模重构 |
| 考虑无法完全控制的外部依赖,例如统一基础设施、安全要求、网络策略和平台限制 | 系统的可靠性不只取决于自己,还取决于外部平台和依赖服务 | 确保 SLO、RTO、RPO 等目标现实可行,避免做出无法兑现的承诺 |
关键词
- 关键用户流程(Critical User Flow):用户完成核心业务目标所经过的一整条流程,例如“登录 → 选择商品 → 下单 → 支付”。
- Uptime:系统处于可用状态的时间比例。
- SLO:服务级别目标,用来规定系统应达到的可靠性水平。
- RTO:Recovery Time Objective,恢复时间目标,即故障后允许多长时间恢复服务。
- RPO:Recovery Point Objective,恢复点目标,即最多允许丢失多长时间范围内的数据。
- 架构权衡(Trade-off):为了获得某种好处,需要接受其他方面的代价,例如更高可靠性通常意味着更高成本和复杂度。
面向韧性进行设计
韧性(Resilience)强调:即使部分组件发生故障、平台中断、性能下降或资源不足,系统仍然能够以完整或降级形式继续提供服务。设计时应默认故障一定会发生。
| 设计方法 | 通俗解释 | 作用 |
|---|---|---|
| 区分关键路径组件和允许降级的非关键组件 | 先判断哪些组件一坏整个业务就不行,哪些坏了只是体验差一点 | 将可靠性资源集中到真正重要的组件上,避免过度设计 |
| 找出潜在故障点,特别是关键组件,并分析对用户流程的影响 | 提前想清楚“哪里可能坏、坏了会影响多大范围” | 可以评估故障类型、严重程度和影响范围,据此设计错误处理机制 |
| 通过合理的设计模式、模块化和故障隔离建立系统自我保护能力 | 一个模块出问题时,不要让问题继续传到其他模块 | 防止故障向下游传播,缩小故障范围 |
| 让关键组件具备横向扩展能力,并考虑不同区域的容量限制 | 流量变大时,可以增加更多实例一起分担压力 | 应对突发流量和容量变化,也能缓解单一区域资源不足 |
| 在基础设施、数据、服务、运维和人员等多个层次建立冗余 | 重要东西不要只有一份,避免一个点坏了整个系统就停 | 减少单点故障,提高整体可用性 |
| 适当进行资源超配,为系统保留额外容量 | 平时不要把资源用到极限,要留一点余量应对突发情况 | 在实例故障或资源异常增长时提供缓冲,为扩容和修复争取时间 |
关键词
- Resilience(韧性):系统在发生部分故障时,仍然能够继续提供服务的能力。
- 关键路径(Critical Path):完成核心业务流程时必须经过的一组组件,其中任意关键组件失败都可能导致整个流程失败。
- Graceful Degradation(优雅降级):部分功能失效时,系统主动降低功能或服务质量,但仍保持核心功能可用。
- Blast Radius:某个故障能够影响的范围。设计目标通常是尽量缩小故障影响范围。
- 故障隔离(Fault Isolation):通过架构设计阻止一个组件的故障扩散到其他组件。
- 横向扩展(Scale Out):通过增加更多服务器或实例来提高处理能力,而不是单纯增强单台机器性能。
- 冗余(Redundancy):为关键组件准备多个副本或替代路径,避免单点故障。
- 单点故障(Single Point of Failure):某个组件一旦失效,就会导致整个系统或核心功能停止。
- 资源超配(Overprovisioning):提前准备超过正常需求的计算、存储或网络资源,为故障和流量突增提供缓冲。
面向恢复进行设计
再强的韧性也无法处理所有故障。因此还必须考虑 Recovery:当故障已经超过系统自身的容错能力时,如何在规定的恢复目标内重新提供服务,并恢复正确的数据状态。
| 设计方法 | 通俗解释 | 作用 |
|---|---|---|
| 制定结构化、经过测试、有文档记录,并与恢复目标一致的恢复计划 | 真出大故障时不能临时想怎么办,要提前把恢复步骤写清楚并测试 | 在事故发生时能够快速、按流程恢复,减少业务和声誉损失 |
| 定期进行组件、数据、故障切换和故障回切演练 | 恢复方案不能只写在文档里,还要真正演练过 | 验证恢复流程是否真的可用 |
| 确保所有有状态组件的数据都能在恢复目标内修复 | 服务重新启动还不够,数据库里的数据也必须能恢复 | 利用可信恢复点和备份把系统恢复到正常状态 |
| 使用不可变并保持事务一致性的备份 | 备份本身也要可靠,不能恢复以后发现数据还是坏的 | 防止备份被篡改,并保证恢复数据的一致性 |
| 建立自动自愈能力 | 一些常见故障可以让系统自己检测、自己恢复 | 减少人工干预和人为错误,缩短恢复时间 |
| 将无状态组件设计成不可变、可随时创建和销毁的临时单元 | 与其在坏掉的机器上反复修,不如直接重新创建一个干净实例 | 提高部署一致性和可重复性,并减少恢复过程中的中断 |
关键词
- Recovery(恢复能力):当系统已经无法继续正常工作时,将服务恢复到可接受状态的能力。
- Stateful Component(有状态组件):内部保存持久数据或状态的组件,例如数据库。
- Stateless Component(无状态组件):自身不依赖本地持久状态,可以比较容易地被替换或重新创建。
- Failover(故障切换):主系统故障后,将业务切换到备用系统。
- Failback(故障回切):原系统恢复后,再把业务从备用系统切回。
- Immutable Backup(不可变备份):创建后不能被随意修改或删除的备份。
- 事务一致性(Transactional Consistency):备份或恢复的数据保持完整的业务状态,不会出现部分操作成功、部分操作丢失的情况。
- Self-healing(自愈):系统检测到故障后自动执行重启、替换、切换等恢复操作。
- Ephemeral Unit(临时单元):可以随时创建和销毁的实例,例如容器实例。
面向运维进行设计
可靠性工作应该尽量 Shift Left,即提前到开发和测试阶段,而不是等生产环境发生事故之后再处理。需要尽早测试故障,同时通过可观测性、诊断、告警和自动化支撑生产环境的可靠运行。
| 设计方法 | 通俗解释 | 作用 |
|---|---|---|
| 建立能够关联遥测数据的可观测系统 | 系统出了问题后,要能看见发生了什么,而不是只能靠猜 | 能确定哪里故障、何时发生、为什么发生,并观察完整用户流程 |
| 预测潜在故障和异常行为,并建立有优先级、可操作的告警 | 告警不是越多越好,而是要及时指出真正需要工程师处理的问题 | 让 SRE 快速处理正在发生的事故,也可以提前处理潜在故障 |
| 在预生产和生产环境中主动模拟故障 | 主动制造故障,看看系统是否真的能按设计继续运行或恢复 | 验证真实恢复能力、降级机制和可靠性阈值 |
| 在设计阶段考虑自动化,并尽可能自动化测试、部署和运维 | 重复、标准化的事情尽量交给机器完成 | 减少人为错误,提高不同环境和操作之间的一致性 |
| 评估日常操作对系统稳定性的影响,例如版本升级、安全审计、组件升级和备份 | 很多故障不是机器自己坏了,而是正常维护时改坏的 | 避免正常运维操作反而成为生产事故来源 |
| 持续从真实生产事故中学习 | 每次出事故都应该留下改进措施,而不是修好就算了 | 找出设计和运维缺陷,并利用事故经验持续改进系统 |
关键词
- Shift Left:把测试、可靠性、安全等工作尽量提前到开发生命周期的前面阶段。
- Observability(可观测性):根据系统产生的数据理解其内部运行状态的能力。
- Telemetry(遥测数据):系统运行过程中自动采集的数据,例如日志、指标和调用链。
- Metrics(指标):CPU 使用率、请求错误率、响应时间等数值数据。
- Logs(日志):系统在运行过程中记录的事件和错误信息。
- Traces(链路追踪):追踪一次请求在多个服务之间完整的调用过程。
- Alert(告警):当系统达到某种异常条件时自动通知相关人员。
- Pre-production(预生产环境):正式生产环境之前用于验证系统的环境,例如测试环境、预发布环境。
- Incident(生产事故):已经对线上系统、用户或业务造成实际影响的故障事件。
保持简单
可靠性不意味着不断增加组件。系统越复杂,配置错误、组件交互和意外行为出现的可能性通常越高,因此应尽量减少没有必要的复杂性。不过也不能为了简单而形成新的单点故障,需要在简单与冗余之间保持平衡。
| 设计方法 | 通俗解释 | 作用 |
|---|---|---|
| 只有真正有助于实现业务目标时才添加新组件,并尽量保持关键路径精简 | 不要为了让架构“看起来高级”就不断增加服务和组件 | 减少关键故障点,同时让系统更容易实现、理解和管理 |
| 为代码、部署和运维流程建立统一标准并形成文档,尽可能通过自动验证强制执行 | 大家按同一套规则工作,减少因为个人习惯不同导致的问题 | 提高一致性,减少人为错误,也方便故障排查 |
| 判断理论上的设计方法是否真的适合实际业务场景 | 理论上很先进的方案,不一定适合当前系统 | 避免过度细粒度和过度复杂设计造成额外依赖和维护负担 |
| 只编写足够满足需求的代码 | 没必要为了可能永远不会发生的问题提前写大量复杂代码 | 减少资源浪费、数据流问题和代码缺陷 |
| 优先利用平台已经提供并经过验证的功能和现成能力 | 能用成熟方案解决的事情,就不要重新造一套 | 缩短开发时间,并复用已经验证过的可靠性实践 |
关键词
- Critical Path(关键路径):完成核心业务所必须经过的组件和步骤。
- Overengineering(过度设计):为了并不存在或不重要的问题,加入过多组件、机制和复杂性。
- Standardization(标准化):为代码、部署、配置和运维制定统一规则。
- Automated Validation(自动验证):使用工具自动检查代码、配置或流程是否符合标准。
- Platform-provided Feature(平台能力):云平台、操作系统或基础设施已经提供的成熟功能,例如负载均衡、自动扩缩容、监控和备份。
- Technical Complexity(技术复杂度):由于组件数量、依赖关系、配置和交互增加而带来的理解、维护和故障排查难度。
检查清单
这份 Checklist 用来检查一个系统的架构是否真正考虑了可靠性、韧性和故障恢复能力。核心思路是:先根据业务需求确定可用性和恢复目标,再据此选择基础设施和应用设计方案。可靠性不能只在系统上线之后考虑,而应该贯穿设计、开发、测试和运维的整个生命周期。每个架构决策都可能影响系统的可靠性,因此需要明确其中的权衡,而不是单纯堆叠高可用技术。
- RE:01 保持简单和高效
Focus your workload design on simplicity and efficiency.
| 设计建议 | 通俗解释 | 作用 |
|---|---|---|
| 让系统设计尽量保持简单,同时满足业务需求 | 不要为了“架构高级”加入大量实际上用不到的组件和技术 | 降低系统复杂度,减少配置错误、依赖问题和潜在故障点 |
| 使用实用而不是过度复杂的方案 | 能简单解决的问题就不要使用复杂方案 | 降低开发、维护和故障排查成本 |
| 在满足业务目标的前提下提高效率 | 简单并不意味着功能不足,而是在满足需求后不做多余设计 | 避免 Overengineering,让架构更容易理解和维护 |
关键词
- Simplicity(简单性):尽量减少不必要的组件、依赖和逻辑。
- Efficiency(效率):在满足目标的同时减少不必要的资源和工程投入。
- Overengineering(过度设计):使用远超实际需求的复杂架构或技术方案。
- RE:02 识别并评估用户流和系统流
Identify and rate user and system flows.
| 设计建议 | 通俗解释 | 作用 |
|---|---|---|
| 找出系统中的用户流程和系统内部流程 | 不要只看“有哪些服务器”,还要看用户实际怎么使用系统 | 从完整业务流程角度分析可靠性 |
| 根据业务需求评估每条流程的重要程度 | 不同流程的重要性不一样,例如付款比查看推荐更重要 | 把可靠性资源优先投入真正重要的业务 |
| 建立关键性等级 | 给不同流程分级,例如关键、重要、普通 | 为后续冗余、监控和恢复策略提供依据 |
关键词
- User Flow(用户流):用户完成一个业务目标时经过的一系列步骤。
- System Flow(系统流):系统内部组件之间完成某项功能时的数据或调用流程。
- Criticality(关键性):某个流程对业务的重要程度。
- Critical Flow(关键流程):一旦失败就会严重影响核心业务的流程。
例如:
用户登录 → 搜索商品 → 加入购物车 → 下单 → 支付
这就是一条用户流程,其中:
支付 > 推荐商品
因为支付失败会直接影响业务目标,而推荐失败通常只影响体验。
- RE:03 使用故障模式分析
Use Failure Mode Analysis (FMA) to identify potential failures.
| 设计建议 | 通俗解释 | 作用 |
|---|---|---|
| 找出系统可能发生的故障 | 提前思考“什么东西可能坏” | 在事故发生前发现潜在风险 |
| 识别组件之间的依赖关系 | 一个组件坏了,可能会影响依赖它的其他组件 | 防止局部故障扩大 |
| 找出关键故障点 | 分析哪些组件一旦故障会产生严重影响 | 优先对高风险部分进行保护 |
| 针对不同故障制定缓解方案 | 不能只知道“会坏”,还要提前决定坏了怎么办 | 提高系统应对故障的能力 |
关键词
- FMA(Failure Mode Analysis,故障模式分析):系统性分析“可能出现哪些故障,以及这些故障会产生什么影响”。
- Failure Mode(故障模式):某个组件可能以什么方式失效。
- Failure Point(故障点):系统中可能发生故障的位置。
- Dependency(依赖):一个组件正常运行所依赖的其他组件或服务。
- Mitigation(缓解措施):降低故障发生概率或影响程度的措施。
可以简单理解为:
先假设每个东西都有可能坏,然后问:它坏了会怎样?我们准备怎么办?
- RE:04 定义可靠性和恢复目标
Define reliability and recovery targets.
| 设计建议 | 通俗解释 | 作用 |
|---|---|---|
| 明确系统应该达到什么可靠性水平 | 不要只说“系统要稳定”,而要给出具体数字 | 让可靠性可以衡量 |
| 明确故障后需要多快恢复 | 系统挂了以后多久恢复才算可以接受 | 指导灾难恢复方案设计 |
| 根据这些目标设计系统架构 | 先定目标,再决定要不要做冗余、备份、多区域等设计 | 避免盲目堆高可用技术 |
| 将可靠性指标作为系统健康模型的基础 | 系统是否健康,要根据提前定义的指标判断 | 让监控、告警和运维具有明确标准 |
关键词
- Reliability Target(可靠性目标):系统需要达到的可靠性水平。
- Availability Target(可用性目标):系统需要保持可用的时间比例。
- SLO:服务级别目标。
- RTO:Recovery Time Objective,允许的最大恢复时间。
- RPO:Recovery Point Objective,允许的数据损失范围。
- Health Model(健康模型):通过一组指标判断系统当前是否处于正常状态的方法。
例如:
SLO:99.9% 可用性
RTO:30 分钟
RPO:5 分钟
表示:
系统应该达到 99.9% 可用性; 真挂了以后最多 30 分钟恢复; 最多允许损失最近 5 分钟的数据。
- RE:05 建立不同层次的冗余
Add redundancy at different levels, especially for critical flows.
| 设计建议 | 通俗解释 | 作用 |
|---|---|---|
| 为关键流程增加冗余 | 核心业务不要依赖唯一的一台机器或一个组件 | 防止单点故障 |
| 对计算资源进行冗余 | 一台服务器坏了,还有其他实例接管 | 保持服务继续运行 |
| 对网络等基础设施进行冗余 | 一条网络路径故障时,可以走其他路径 | 减少基础设施故障造成的中断 |
| 部署多个解决方案实例 | 不让系统只有唯一实例 | 提高整体可用性和容错能力 |
关键词
- Redundancy(冗余):准备多个能够完成同一功能的资源。
- Single Point of Failure(单点故障):某个组件一旦失效,就会导致整个系统无法工作的情况。
- Instance(实例):某个应用或服务正在运行的一个副本。
- Critical Flow(关键流程):直接影响核心业务的用户或系统流程。
最简单的例子:
只有一台服务器
↓
服务器挂了
↓
网站挂了
增加冗余后:
服务器 A
服务器 B
服务器 C
↓
A 挂了
↓
B、C 继续服务
- RE:06 建立可靠的扩缩容策略
Implement a timely and reliable scaling strategy.
| 设计建议 | 通俗解释 | 作用 |
|---|---|---|
| 在应用、数据和基础设施层面考虑扩缩容 | 不只是服务器要能扩,数据库和应用本身也需要能扩 | 避免某一层成为性能瓶颈 |
| 根据真实或预测的使用量进行扩缩容 | 用户变多时增加资源,用户变少时减少资源 | 在可靠性和成本之间取得平衡 |
| 尽量减少人工操作 | 不要等工程师发现服务器不够了才手动加机器 | 提高扩容速度并减少人为错误 |
| 确保扩容能够及时发生 | 扩容太慢的话,资源增加之前系统可能已经挂了 | 应对突发流量 |
关键词
- Scaling(扩缩容):根据负载增加或减少系统资源。
- Scale Out(横向扩展):增加更多实例。
- Scale In(横向缩减):减少实例。
- Autoscaling(自动扩缩容):根据负载自动调整资源数量。
- Usage Pattern(使用模式):用户访问量随时间变化的规律。
例如:
平时:5 台服务器
流量突然增加
↓
自动扩容
↓
20 台服务器
流量恢复正常
↓
自动缩容
↓
5 台服务器
- RE:07 建立自我保护和自愈能力
Implement self-preservation and self-healing measures.
| 设计建议 | 通俗解释 | 作用 |
|---|---|---|
| 建立系统自我保护机制 | 系统发现异常时先保护自己,不要继续恶化 | 防止故障扩散 |
| 建立自动自愈能力 | 可以自动解决的问题就不要等待人工处理 | 缩短故障恢复时间 |
| 优先使用平台已有能力 | 云平台已经提供自动重启、故障切换等能力时优先使用 | 减少自己开发复杂机制的成本 |
| 使用经过验证的云设计模式 | 不要自己随便发明故障处理方式 | 使用成熟经验提高可靠性 |
关键词
- Self-preservation(自我保护):系统主动采取措施防止故障进一步扩大。
- Self-healing(自愈):系统发现故障后自动恢复。
- Cloud Pattern(云设计模式):经过大量实践验证的云架构设计方法。
例如:
某个服务实例异常
↓
健康检查发现异常
↓
停止向它发送请求
↓
创建新的实例
↓
新实例重新加入服务
整个过程可以不需要人工参与。
- RE:08 使用混沌工程测试可靠性
Test resiliency and availability by applying chaos engineering.
| 设计建议 | 通俗解释 | 作用 |
|---|---|---|
| 主动制造故障进行测试 | 不要等真实事故发生才第一次看到系统怎么反应 | 验证系统是否真的具有韧性 |
| 测试系统是否能够承受组件故障 | 主动关掉服务器、网络或服务 | 检查冗余和故障切换是否有效 |
| 测试高负载情况下是否可以扩容 | 人为制造流量高峰 | 验证扩缩容策略 |
| 测试系统是否可以在目标时间内恢复 | 故意制造中断,再观察恢复时间 | 验证 RTO、RPO 等目标是否真的能达到 |
关键词
- Chaos Engineering(混沌工程):主动向系统注入故障,验证系统面对真实异常时的行为。
- Fault Injection(故障注入):人为制造服务器、网络、磁盘、服务等故障。
- Reliability Testing(可靠性测试):验证系统是否满足既定可靠性目标。
- Resilience Testing(韧性测试):验证系统部分组件故障时是否仍能继续运行。
例如:
主动杀掉一台生产服务器,然后观察流量是否自动切换到其他服务器。
重点不是“故意把系统搞坏”,而是:
提前证明系统真的扛得住故障。
- RE:09 建立灾难恢复计划
Implement structured, tested, and documented disaster recovery plans.
| 设计建议 | 通俗解释 | 作用 |
|---|---|---|
| 建立结构化的灾难恢复方案 | 大规模故障发生以后,要有完整恢复流程 | 避免事故发生后临时决定怎么办 |
| 恢复方案必须经过测试 | 文档上写“可以恢复”不等于真的能恢复 | 验证实际恢复能力 |
| 将恢复方案形成正式文档 | 谁负责、怎么恢复、恢复顺序都应该写清楚 | 减少事故期间的混乱 |
| 恢复方案应满足既定恢复目标 | 恢复速度和数据损失必须符合 RTO、RPO | 保证灾难恢复能力满足业务要求 |
| 既考虑单个组件,也考虑整个系统 | 不能只知道如何恢复一台服务器 | 应对区域级、平台级等大规模事故 |
关键词
- DR(Disaster Recovery,灾难恢复):面对严重系统中断或灾难时恢复业务的完整方案。
- Disaster Recovery Plan(灾难恢复计划):描述事故发生后如何恢复系统、数据和业务的正式流程。
- Failover(故障切换):从故障系统切换到备用系统。
- Failback(故障回切):原系统恢复后重新切回。
- Recovery Drill(恢复演练):定期模拟灾难并实际执行恢复流程。
普通故障可能是:
一台服务器挂了
而 Disaster Recovery 更关注:
整个机房故障
整个区域故障
严重数据损坏
大规模网络中断
- RE:10 持续监控系统健康状态
Continuously measure and track system health.
| 设计建议 | 通俗解释 | 作用 |
|---|---|---|
| 持续监控系统健康状态 | 不能等用户告诉你“网站挂了”才发现问题 | 尽早发现异常 |
| 监控各组件和关键流程 | 不只看单台服务器,还要看用户的完整业务流程 | 判断故障是否真正影响用户 |
| 使用 uptime 和可靠性指标 | 用数据判断系统是否满足可靠性目标 | 衡量 SLO 等目标是否实现 |
| 保存历史监控数据 | 监控数据不能看完就丢 | 支持趋势分析和事故调查 |
| 确保监控数据可以快速访问 | 出事故后要马上能找到相关数据 | 帮助故障响应和根因分析 |
| 利用监控数据进行事故后分析 | 事故结束后回看当时系统发生了什么 | 支持 Postmortem 和持续改进 |
关键词
- System Health(系统健康状态):系统当前是否正常完成预期功能的整体状态。
- Reliability Indicator(可靠性指标):衡量系统可靠性的指标,例如可用率、错误率和延迟。
- Uptime:系统正常可用的时间比例。
- Monitoring(监控):持续收集和观察系统运行状态。
- Post-incident Analysis(事故后分析):故障结束后根据监控、日志等数据分析事故原因。
- Retention(数据保留):保存历史监控数据,供之后查询和分析。
整体理解
这 10 条其实可以压缩成一个完整的可靠性设计流程:
RE:01 先保持设计简单
↓
RE:02 找出哪些业务流程最重要
↓
RE:03 分析这些流程可能怎么坏
↓
RE:04 定义到底需要多可靠、多久恢复
↓
RE:05 给关键部分增加冗余
↓
RE:06 确保流量增加时能够及时扩容
↓
RE:07 让系统能够自我保护和自动恢复
↓
RE:08 主动制造故障,验证这些设计真的有效
↓
RE:09 如果发生严重灾难,要有完整恢复方案
↓
RE:10 持续监控,确认系统实际是否达到目标
也就是说,这份 Checklist 并不是 10 个彼此独立的要求,而是从:
明确业务 → 找出关键流程 → 分析故障 → 定目标 → 做冗余和扩容 → 自动恢复 → 主动测试 → 灾难恢复 → 持续监控
构成了一套完整的可靠性设计思路。
Azure
云计算基础
云计算(Cloud Computing)是通过互联网按需提供计算服务的模式,它把原本需要自行购买和维护的 IT 资源变成随用随取的服务。这里的计算服务既包括虚拟机、存储、数据库和网络等传统基础设施,也包括物联网(IoT)、机器学习(ML)和人工智能(AI)等能力。
云计算提供什么
| 服务类型 | 通俗解释 | 例子 |
|---|---|---|
| Virtual Machines | 在云里运行一台虚拟电脑 | Windows / Linux 虚拟机 |
| Storage | 在云里保存数据 | 文件、对象、备份 |
| Databases | 使用云端数据库 | SQL、NoSQL |
| Networking | 提供网络连接和流量管理 | 虚拟网络、负载均衡 |
| IoT | 连接和管理物联网设备 | 传感器、工业设备 |
| ML | 提供机器学习能力 | 模型训练、预测 |
| AI | 提供人工智能能力 | 语音、视觉、生成式 AI |
为什么云计算和传统数据中心不同
传统数据中心受物理基础设施限制较大。企业突然需要更多计算资源时,通常要经历以下过程:
评估需求
→ 购买服务器
→ 等待运输
→ 安装服务器
→ 配置网络
→ 部署系统
采购、运输、安装和配置可能耗时很久,而云计算允许企业通过平台直接申请资源:
需要更多资源
→ 在云平台申请
→ 几分钟内获得资源
两种方式的差别在于,基础设施从“提前购买”变成了“按需获取”。
实际例子
假设一家零售公司准备进行大型季节性促销,预计活动期间访问量会突然增加。传统方式可能需要提前几个月购买额外服务器:
购买服务器
↓
安装和配置
↓
促销期间使用
↓
促销结束
↓
大量服务器闲置
使用云计算时,企业可以根据活动进度调整资源:
促销开始
↓
临时增加云计算资源
↓
处理高峰流量
↓
促销结束
↓
减少资源
这种做法既能更快应对流量变化,也能让成本更接近实际需求。
云计算带来的几个变化
| 变化 | 通俗解释 | 作用 |
|---|---|---|
| On-demand Provisioning | 需要资源时再创建 | 不必提前几个月购买服务器 |
| Rapid Scaling | 可以快速增加或减少资源 | 更容易应对流量变化 |
| Faster Testing | 可以快速创建测试环境 | 开发和测试速度更快 |
| Faster Recovery | 故障后可以快速重新创建或切换资源 | 提高恢复能力 |
| Global Reach | 可以在世界不同地区部署服务 | 让服务更靠近用户 |
| Regional Resilience | 可以跨区域设计系统 | 一个区域出问题时,可以由其他区域继续提供服务 |
关键词
- Cloud Computing(云计算):通过互联网按需提供计算资源和服务。
- IT Infrastructure(IT 基础设施):运行信息系统所需要的计算、存储、网络等基础资源。
- Virtual Machine,VM(虚拟机):通过软件模拟出来的一台完整计算机。
- Storage(存储):用于保存文件和数据的资源。
- Database(数据库):用于组织、保存和查询数据的系统。
- Networking(网络):负责不同计算资源之间的通信。
- IoT(Internet of Things,物联网):让各种物理设备连接到网络并交换数据。
- ML(Machine Learning,机器学习):让计算机通过数据学习规律并进行预测或判断。
- AI(Artificial Intelligence,人工智能):让计算机完成通常需要人类智能才能完成的任务。
- Provisioning(资源预配):创建并准备计算资源,使其可以使用。
- On-demand(按需):需要时再申请资源,而不是提前准备。
- Scaling(扩缩容):根据负载增加或减少资源。
- Global Reach(全球覆盖):利用云平台在多个国家和地区部署服务。
- Regional Resilience(区域韧性):通过跨区域部署降低单一区域故障带来的影响。
本节总结
传统 IT 的资源准备流程是:
传统 IT
先买资源
↓
安装和配置
↓
再使用
云计算则把流程改为:
云计算
需要资源
↓
立即创建
↓
按需使用
↓
不用时释放
因此,云计算把 IT 基础设施从长期采购、固定容量的资产,变成了可以按需获取、快速扩展和及时释放的服务。
云计算共享责任模型(Shared Responsibility Model)
共享责任模型说明了云服务商与客户各自负责什么。传统本地数据中心的机房、服务器、网络、操作系统、应用和数据几乎都由企业管理;迁移到云之后,云服务商接管底层基础设施,客户仍要管理自己的数据和访问权限,操作系统、平台与应用等中间层则取决于使用的是 IaaS、PaaS 还是 SaaS。
1. 本地数据中心中的责任
在传统本地数据中心(On-Premises)中,企业需要负责几乎整个 IT 环境:
| 责任内容 | 通俗解释 | 作用 |
|---|---|---|
| 维护物理空间 | 机房、门禁、消防等都需要企业自己管理 | 保证服务器所在环境安全 |
| 负责电力和冷却 | 服务器供电、UPS、空调散热都要自己维护 | 保证硬件能够持续运行 |
| 维护物理服务器 | 服务器坏了需要自己维修或更换 | 保证计算资源可用 |
| 维护网络 | 交换机、路由器、线路等都由自己管理 | 保证设备之间能够通信 |
| 管理操作系统和软件 | 系统安装、版本升级和补丁都需要自己完成 | 保证软件环境正常和安全 |
| 管理应用、账号和数据 | 应用部署、用户权限和数据保护都由企业负责 | 保证业务系统和数据安全 |
因此,On-Premises 基本意味着所有责任都由企业自己承担。
2. 上云以后,责任开始分开
使用云计算后,客户无法直接接触的数据中心、供电、冷却、物理网络和服务器等底层设施会转由云服务商负责:
| 云服务商负责 | 通俗解释 |
|---|---|
| Physical Security | 数据中心的门禁、安保等物理安全 |
| Power | 数据中心和服务器供电 |
| Cooling | 服务器散热和机房温度控制 |
| Network Connectivity | 底层数据中心网络连接 |
| Physical Hardware | 真正的物理服务器及相关设备 |
与此同时,客户仍然必须管理自己的数据、账号、身份和访问控制:
| 客户负责 | 通俗解释 |
|---|---|
| Data | 自己上传、创建和保存的数据 |
| Information | 企业自己的业务信息 |
| Access Security | 谁能够访问系统和数据 |
| Accounts | 用户和服务账号 |
| Identities | 用户、服务和设备的身份 |
Microsoft 可以替客户维护服务器,却不能替客户决定“张三是否应该看到公司的财务数据”。
3. 有些责任取决于使用方式
部分责任会随云服务模式变化。以 SQL 数据库为例:
使用云端托管 SQL 数据库
如果直接使用云服务商提供的数据库服务:
云服务商:
维护数据库平台
安装数据库补丁
维护底层服务器
维护操作系统
客户:
管理数据库中的数据
配置用户和权限
决定数据如何使用
这种情况下,数据库平台本身主要由云服务商维护。
在虚拟机中自己安装 SQL Server
如果先创建一台虚拟机,再自己安装 SQL Server:
云服务商:
维护物理服务器
维护数据中心
维护底层物理网络
客户:
维护虚拟机操作系统
安装和更新 SQL Server
安装数据库补丁
配置数据库
维护数据库中的数据
同样是 SQL 数据库,采用不同的服务模式,责任划分也会完全不同。
4. 共享责任与 IaaS、PaaS、SaaS
共享责任模型与云服务模式直接相关,总体规律是:
On-Premises → IaaS → PaaS → SaaS
客户负责的内容越来越少
云服务商负责的内容越来越多
| 服务模式 | 客户责任 | 云服务商责任 | 通俗理解 |
|---|---|---|---|
| On-Premises | 几乎全部 | 几乎没有 | 什么都自己管 |
| IaaS | 较多 | 主要负责底层物理基础设施 | 云厂商给你基础设施,上面的东西大多自己管 |
| PaaS | 中等 | 基础设施和平台主要由厂商负责 | 云厂商连运行平台都帮你维护 |
| SaaS | 较少 | 大部分系统由厂商负责 | 直接使用厂商已经运行好的软件 |
越靠近 IaaS,客户越像在自行运维;越靠近 SaaS,客户越接近直接使用现成服务。
5. IaaS 中的责任
IaaS(Infrastructure as a Service)主要把底层物理基础设施交给云服务商。
| 云服务商负责 | 客户通常负责 |
|---|---|
| 数据中心 | 操作系统 |
| 物理服务器 | 操作系统补丁 |
| 电力与冷却 | 应用程序 |
| 物理网络 | 数据 |
| 底层基础设施 | 用户与权限 |
IaaS 可以理解为云厂商提供一台“云里的电脑”,但系统里安装什么、如何配置和维护,主要仍由客户负责。
6. PaaS 中的责任
PaaS(Platform as a Service)进一步把操作系统和运行平台交给云服务商维护,客户主要关注:
- 应用代码
- 业务逻辑
- 数据
- 用户
- 权限
云服务商主要负责:
- 物理基础设施
- 操作系统
- 平台运行环境
- 平台维护和补丁
PaaS 不只提供机器,还准备好应用运行的平台,因此开发人员可以少关注服务器和系统维护,把更多精力放在应用本身。
7. SaaS 中的责任
SaaS(Software as a Service)中,云服务商负责的内容最多。客户直接使用已经运行好的软件,不需要自己维护:
- 软件安装
- 操作系统
- 服务器
- 数据库基础设施
- 软件补丁
- 平台升级
客户仍然需要管理自己的数据和使用方式,包括:
- 自己的数据
- 用户账号
- 角色
- 权限
- 接入设备
SaaS 的软件已经由服务商运行,客户主要负责如何使用它。
8. 无论使用哪种云服务,始终由客户负责的内容
无论采用哪种云服务,信息与数据、终端设备、账号与身份始终由客户负责:
| 内容 | 通俗解释 |
|---|---|
| Information and Data | 自己存储在云中的信息和数据 |
| Devices / Endpoints | 允许连接到云环境的电脑、手机等设备 |
| Accounts and Identities | 用户、服务和设备的账号及身份 |
上云不会把数据、账号、身份和终端设备的责任转交给云服务商。
关键词
- Information and Data(信息和数据):企业在云中创建、存储和处理的业务信息。
- Endpoint(终端):连接云环境的电脑、手机等设备。
- Identity(身份):用户、服务或设备在系统中的身份。
- Account(账号):用来登录和访问系统的账户。
9. 无论使用哪种云服务,始终由云服务商负责的内容
云服务商始终负责客户无法直接接触的物理云基础设施:
| 内容 | 通俗解释 |
|---|---|
| Physical Datacenter | 真正的数据中心和机房 |
| Physical Network | 数据中心中的实体网络设备和线路 |
| Physical Hosts | 真正运行云服务的物理服务器 |
资源进入云环境后,真正的机房、物理服务器和物理网络便不再由客户维护。
10. 根据服务类型决定的责任
下面这些责任会随着 IaaS、PaaS、SaaS 的不同而变化:
| 责任 | 为什么会变化 |
|---|---|
| Operating Systems | IaaS 通常由客户维护,PaaS / SaaS 更多由厂商维护 |
| Network Controls | 不同服务模式允许客户控制的网络层级不同 |
| Applications | IaaS / PaaS 中更多由客户负责,SaaS 中更多由厂商负责 |
| Identity and Access | 客户和厂商通常共同承担 |
| Infrastructure | 上云之后逐渐转移给云服务商 |
Identity and Access 为什么是共享责任
以 PaaS 或 SaaS 中的身份与访问为例,云服务商负责:
运行认证平台
维护认证服务
维护底层身份基础设施
客户则负责:
创建哪些用户
给用户什么角色
配置什么权限
制定什么访问策略
在 Microsoft Entra ID 中,Microsoft 负责身份平台的运行,企业负责决定谁能登录以及登录后可以执行哪些操作。
关键词
- Shared Responsibility Model(共享责任模型):云服务商与客户共同承担云环境中的管理、安全和运维责任。
- On-Premises(本地部署):服务器和基础设施由企业自己拥有和维护。
- Cloud Provider(云服务商):提供云基础设施和服务的厂商,例如 Microsoft Azure。
- Consumer / Customer(客户):使用云服务的组织或个人。
- IaaS(Infrastructure as a Service):基础设施即服务。
- PaaS(Platform as a Service):平台即服务。
- SaaS(Software as a Service):软件即服务。
- Identity and Access Management,IAM(身份与访问管理):管理用户身份以及用户能够访问哪些资源。
- Authentication(认证):确认“你是谁”。
- Authorization(授权):确认“你能够做什么”。
- Role(角色):一组预先定义好的权限。
- Policy(策略):用于规定访问和使用规则的配置。
- Patch(补丁):修复软件漏洞、Bug 或安全问题的软件更新。
本节总结
共享责任会随着服务模式变化:
On-Premises
客户几乎什么都负责
↓
IaaS
云服务商接管物理基础设施
↓
PaaS
云服务商进一步接管操作系统和平台
↓
SaaS
云服务商连应用本身也主要负责
客户承担的责任依次减少:
| 模式 | 客户责任 |
|---|---|
| On-Premises | 最多 |
| IaaS | 较多 |
| PaaS | 较少 |
| SaaS | 最少 |
无论采用哪种模式,客户始终负责数据、身份、账号和终端设备,云服务商始终负责物理数据中心、物理网络和物理服务器。共享责任模型并不表示责任消失,而是随着 On-Premises → IaaS → PaaS → SaaS,越来越多底层责任从客户转移到云服务商。
云计算部署模型(Cloud Models)
云模型说明云资源以什么方式部署、由谁使用以及资源属于谁,主要分为三种:
- Private Cloud(私有云)
- Public Cloud(公有云)
- Hybrid Cloud(混合云)
Multicloud(多云)也很常见,但它描述的是同时采用多个公有云平台,与三种基本部署模型不是同一个分类维度。公有云向多个客户开放,私有云只供一个组织使用,混合云则把公有云和私有云连接起来。
1. Private Cloud(私有云)
私有云是只供一个组织使用的云环境,可以看作传统数据中心云化后的形态。它仍然服务于单一组织,但资源管理方式更接近云计算,可以部署在企业自己的数据中心、其他专用数据中心,也可以交给第三方托管:
- 建在企业自己的本地数据中心
- 建在其他专用数据中心
- 甚至由第三方帮企业托管
| 特点 | 通俗解释 | 影响 |
|---|---|---|
| 资源只属于一个组织 | 不和其他客户共享核心资源 | 控制能力更强 |
| 企业对资源和安全拥有完整控制权 | 网络、安全策略、硬件配置等都可以自己决定 | 更容易满足特殊安全要求 |
| 数据不会和其他租户放在同一个共享环境中 | 更容易进行严格的数据隔离 | 适合部分高安全、高合规场景 |
| 需要自己购买硬件 | 服务器等基础设施不能直接按需从公共云获取 | 初始投入通常更高 |
| 企业负责硬件维护和升级 | 服务器坏了、需要升级都要自己处理 | 运维负担更重 |
| 公有云的一些优势会减少 | 扩容速度、按需使用等能力可能不如公有云 | 灵活性通常较低 |
私有云就是公司专用的一套云。例如,一家银行可能因为安全、监管或数据要求,不希望核心系统运行在共享公有云中,因此建立自己的私有云。
关键词
- Private Cloud(私有云):只供单一组织使用的云环境。
- Dedicated Resources(专用资源):资源专门分配给某个组织,而不是和其他客户共同使用。
- Tenant(租户):使用云平台资源的一个独立客户或组织。
- On-site / On-premises(本地):资源部署在企业自己的场地或数据中心。
- Control(控制权):企业能够直接决定硬件、网络、安全和配置方式的程度。
2. Public Cloud(公有云)
公有云由第三方云服务商建设、运营和维护,个人或组织通常都可以购买和使用,其中 Microsoft Azure 就是公有云平台。
| 特点 | 通俗解释 | 影响 |
|---|---|---|
| 云平台由第三方服务商建设和管理 | 客户不用自己建设数据中心 | 大幅减少基础设施维护工作 |
| 大量客户共同使用云平台 | 云厂商把庞大的基础设施提供给很多客户使用 | 可以形成规模效应 |
| 不需要为了扩容提前购买硬件 | 需要更多资源时直接申请 | 扩容速度快 |
| 应用可以快速创建和删除 | 需要时开,不需要时关 | 非常灵活 |
| 按实际使用量付费 | 用多少资源通常付多少费用 | 避免大量闲置基础设施 |
| 客户不能完全控制底层资源和物理安全 | 机房、物理服务器等由云厂商管理 | 控制权比私有云低 |
云厂商建设和维护大型平台,再把资源按需提供给大量客户。企业需要 100 台服务器时,可以直接在 Azure 上创建虚拟机,不必自行采购 100 台实体服务器。
关键词
- Public Cloud(公有云):由第三方云服务商运营,并向多个客户提供服务的云环境。
- Cloud Provider(云服务商):建设和运营公有云的企业。
- Provisioning(资源预配):创建并准备云资源。
- Deprovisioning(资源释放):删除或停止不再需要的云资源。
- Capital Expenditure,CapEx(资本支出):提前购买服务器、机房等长期资产所需要的大额投入。
- Pay-as-you-go(按使用付费):根据实际资源使用量支付费用。
3. Hybrid Cloud(混合云)
混合云把公有云和私有云连接起来共同使用。企业不必在两者之间二选一,可以根据业务、安全、成本和合规要求决定各个系统的运行位置。
| 特点 | 通俗解释 | 影响 |
|---|---|---|
| 同时使用公有云和私有云 | 一部分系统放自己这里,一部分放公共云 | 灵活性最高 |
| 企业可以决定每个应用运行在哪里 | 不同业务根据需求选择最适合的环境 | 可以兼顾成本、安全和性能 |
| 私有云资源不足时,可以借用公有云资源 | 临时高峰不需要提前购买大量硬件 | 更容易应对短期流量增长 |
| 敏感服务可以保留在私有云 | 不适合上公有云的数据仍然留在企业内部 | 更容易满足安全或法律要求 |
| 普通服务可以使用公有云 | 对安全要求较低的系统可以利用公有云优势 | 降低成本并提高扩展能力 |
例如,企业可以按以下方式分配工作负载:
核心客户数据库
→ 私有云
公开网站
→ Azure 公有云
流量突然增加
→ 临时增加 Azure 资源
这样企业既能保留核心系统的控制权,又能利用公有云的快速扩展能力。
关键词
- Hybrid Cloud(混合云):将公有云和私有云连接并共同使用的云环境。
- Cloud Bursting:私有云资源不足时,临时使用公有云资源处理额外负载。
- Compliance(合规):满足法律、行业标准或组织内部规定。
- Flexibility(灵活性):可以根据实际需求自由选择资源运行位置。
4. 三种云模型的比较
| 对比项 | Public Cloud | Private Cloud | Hybrid Cloud |
|---|---|---|---|
| 谁可以使用 | 多个客户 | 单一组织 | 公有云 + 单一组织私有云 |
| 基础设施投入 | 通常不需要提前购买大量硬件 | 通常需要购买和维护硬件 | 根据私有云规模决定 |
| 扩容速度 | 很快 | 通常较慢 | 可以借助公有云快速扩容 |
| 控制权 | 较低 | 最高 | 可以按业务分别控制 |
| 运维负担 | 较低 | 较高 | 中等到较高 |
| 按需使用能力 | 强 | 相对较弱 | 较强 |
| 安全和合规控制 | 受云平台能力限制 | 可以完全自行控制 | 可以按需求选择部署位置 |
| 灵活性 | 高 | 相对较低 | 最高 |
三种模型的差异可以概括为:
Public Cloud
便宜、灵活、扩展快
但控制权相对少
Private Cloud
控制权强
但成本和维护负担高
Hybrid Cloud
两者结合
可以按需求选择
5. Multicloud(多云)
Multicloud 是同时使用两个或更多公有云服务商,例如:
Microsoft Azure
+
Amazon Web Services
+
Google Cloud
企业采用多云的原因包括平台能力差异、迁移需要、降低供应商依赖,以及不同团队各自选择了不同平台:
| 原因 | 通俗解释 |
|---|---|
| 不同云平台各有优势 | 某个平台的 AI 更合适,另一个平台的数据库更适合 |
| 正在进行云迁移 | 原来使用一个云厂商,现在正在逐步迁移到另一个 |
| 避免完全依赖单一供应商 | 不把所有业务完全绑定在一个云平台 |
| 不同团队使用不同平台 | 不同业务部门可能选择不同云服务商 |
多云环境也增加了管理负担,因为团队需要同时维护多个平台中的资源、安全策略和配置。
关键词
- Multicloud(多云):同时使用多个公有云服务商。
- Cloud Provider(云服务商):例如 Microsoft、AWS、Google。
- Vendor Lock-in(供应商锁定):系统高度依赖某个厂商,导致未来很难迁移到其他平台。
6. Azure Arc
Azure Arc 是微软提供的一组管理技术,帮助企业通过 Azure 管理不同位置和平台上的资源,范围包括:
- Azure 公有云
- 企业自己的私有云
- 混合云
- 多云环境
管理关系可以表示为:
Azure
\
本地服务器
\
AWS ------ Azure Arc
/
其他云
Azure Arc 提供统一的管理入口,让分散在不同环境中的资源能够采用较为一致的管理方式。
关键词
- Azure Arc:用于统一管理 Azure、本地、私有云和其他云资源的一组 Azure 技术。
- Hybrid Management(混合环境管理):使用统一工具管理本地和云端资源。
- Multicloud Management(多云管理):统一管理不同云服务商中的资源。
7. Azure VMware Solution
已经使用 VMware 构建私有云的企业迁移到 Azure 时,需要处理原有工作负载。Azure VMware Solution 允许这些工作负载直接在 Azure 中运行,让企业保留现有 VMware 技术体系,同时逐步使用 Azure 的公有云和扩展能力。
通俗理解
原本:
企业数据中心
↓
VMware
↓
大量虚拟机
想迁移到 Azure 时,不一定需要立即:
全部重写
全部重新部署
全部改变架构
而可以:
现有 VMware 工作负载
↓
Azure VMware Solution
↓
在 Azure 中继续运行
关键词
- VMware:常见的企业虚拟化平台。
- Workload(工作负载):为了完成某项业务而运行的一组应用、服务和资源。
- Azure VMware Solution:允许 VMware 工作负载在 Azure 中运行的服务。
- Migration(迁移):将应用、数据或工作负载从一个环境移动到另一个环境。
本节总结
云部署模型主要回答资源部署在哪里以及由谁使用。三种基本模型如下:
| 模型 | 一句话理解 |
|---|---|
| Public Cloud | 使用云厂商向大量客户开放的云平台 |
| Private Cloud | 整个云环境只服务一个组织 |
| Hybrid Cloud | 公有云和私有云连接起来一起使用 |
Multicloud 则表示同时使用多个公有云厂商。三种部署模型之间的关系可以整理为:
Private Cloud
自己的专用云
↓
Hybrid Cloud
自己的云 + 公有云
↓
Public Cloud
云厂商提供的公共云
Multicloud 属于另一个维度:
Azure + AWS + Google Cloud + ...
私有云侧重控制,公有云侧重灵活和按需使用,混合云结合两者,多云则表示同时使用多个公有云平台。
云计算消费模型(Consumption-based Model)
云计算通常采用 Consumption-based Model(基于使用量的消费模型):需要多少 IT 资源就使用多少,并按实际用量付费,不再需要时再释放。传统 IT 往往要提前购买服务器、网络设备和机房空间,而云计算更接近租用资源,区别可以概括为“传统 IT 先买再用,云计算按需租用”。
1. CapEx 与 OpEx
传统 IT 预算通常区分 CapEx 和 OpEx:
| 概念 | 通俗解释 | 例子 |
|---|---|---|
| CapEx | 提前花一大笔钱购买长期使用的资产 | 购买服务器、交换机、机房设备 |
| OpEx | 随着使用过程持续产生的运营费用 | 每月支付云服务费用 |
云计算通常归入 OpEx,因为资源不是一次性买下,而是根据使用情况持续付费。传统数据中心的支出过程如下:
传统数据中心:
先花钱买服务器
↓
服务器买下来以后长期使用
↓
属于 CapEx
云计算的支出则随资源用量变化:
这个月用了 10 台虚拟机
↓
支付对应费用
下个月只需要 3 台
↓
只支付 3 台的费用
因此,这类费用属于 OpEx。
关键词
- CapEx(Capital Expenditure,资本支出):提前投入资金购买服务器、网络设备、机房等长期资产。
- OpEx(Operational Expenditure,运营支出):随着业务运行持续产生的费用。
- Consumption-based Model(基于使用量的消费模型):根据实际使用的资源量计费。
- Cloud Resource(云资源):云平台提供的虚拟机、存储、数据库等资源。
2. 基于使用量模型的优势
| 优势 | 通俗解释 | 作用 |
|---|---|---|
| 不需要提前购买硬件和数据中心基础设施 | 不用先花大量资金采购服务器 | 降低初始投入 |
| 不需要提前购买可能用不上的容量 | 不必为了预测未来需求而买一堆闲置服务器 | 减少资源浪费 |
| 需求增加时可以增加资源 | 流量突然变大时,可以快速加机器 | 应对业务增长和流量高峰 |
| 需求下降时可以释放资源 | 高峰结束后,把不用的资源删掉 | 避免继续为空闲资源付费 |
这种模式的核心是让资源投入尽可能贴近真实业务需求。
3. 传统数据中心中的容量规划
传统数据中心需要提前预测未来的资源需求。例如,预计未来一年需要 20 台服务器时,可能要完成以下流程:
预测需求
↓
采购服务器
↓
运输
↓
安装
↓
配置电力和网络
↓
部署应用
容量预测很难完全准确,过高或过低都会带来问题:
| 情况 | 结果 |
|---|---|
| 高估需求 | 买了太多服务器,大量资源长期闲置 |
| 低估需求 | 服务器不够,应用性能下降甚至无法提供服务 |
如果容量不足,企业也无法立即补充资源,还要重新采购、安装和配置硬件。
关键词
- Capacity Planning(容量规划):提前预测未来需要多少计算、存储和网络资源。
- Underutilized(利用不足):买来的资源没有得到充分使用。
- Degraded Performance(性能下降):因为资源不足,系统响应变慢或处理能力下降。
- Provisioning(预配):准备并配置资源,使其能够投入使用。
4. 云计算中的容量规划
云计算不必完全依赖长期预测,可以根据实际需求调整资源。例如:
平时:
5 台虚拟机
促销活动开始:
流量增加
↓
增加到 20 台虚拟机
活动结束:
流量下降
↓
减少回 5 台
这样可以使资源容量更接近实际业务需求。
| 云中的做法 | 通俗解释 | 作用 |
|---|---|---|
| 需求增加时添加资源 | 忙的时候多开机器 | 防止容量不足 |
| 需求下降时删除资源 | 闲的时候把多余机器关掉 | 减少浪费 |
| 按实际使用量计费 | 不需要为空闲资源持续付费 | 提高成本效率 |
| 根据流量动态调整 | 容量可以跟着业务变化 | 提高灵活性 |
5. Scale Out 与 Scale In
Scale Out
Scale Out 是增加更多资源或实例,例如:
5 台服务器
↓
流量上涨
↓
增加到 20 台服务器
Scale In
Scale In 是在需求降低后减少资源或实例,例如:
20 台服务器
↓
流量下降
↓
减少到 5 台服务器
两者与需求变化的关系如下:
需求增加
→ Scale Out
需求下降
→ Scale In
关键词
- Scale Out(横向扩展):增加更多服务器或实例。
- Scale In(横向缩减):减少服务器或实例。
- Scaling(扩缩容):根据业务负载增加或减少系统资源。
- Capacity(容量):系统能够处理的最大工作负载。
6. Pay-as-you-go 定价
云服务商通常采用 Pay-as-you-go(按使用付费)的定价模式,也就是用了多少资源就支付多少费用。这与传统方式先购买一批服务器、之后无论是否充分使用都已经产生支出有明显区别。
| Pay-as-you-go 带来的好处 | 通俗解释 |
|---|---|
| 更容易管理运营成本 | 费用更直接地跟实际资源使用情况关联 |
| 提高基础设施利用率 | 减少大量长期闲置资源 |
| 可以根据负载调整成本 | 业务增长时多花钱,业务下降时减少支出 |
| 不必自己维护底层基础设施 | 电力、冷却、硬件、物理网络由云服务商负责 |
关键词
- Pay-as-you-go(按使用付费):根据实际使用的云资源计费。
- Idle Capacity(闲置容量):已经购买或分配,但当前没有实际使用的资源。
- Operating Cost(运营成本):系统持续运行过程中产生的费用。
7. 为什么云计算能做到这种模式
云服务商维护底层的大规模基础设施,包括:
- 电力
- 冷却
- 物理服务器
- 物理网络
客户不需要自行购买这些基础设施,而是使用云服务商已经建好的资源池:
云服务商
提前建设大量基础设施
↓
形成巨大的资源池
↓
客户需要资源时申请
↓
不用时释放
客户因此可以把更多精力放在业务问题和应用功能上,而不是购买、安装和维护硬件。
本节总结
基于使用量的消费模型改变了资源规划方式。传统 IT 的流程是:
传统 IT:
预测未来需求
↓
提前买硬件
↓
固定容量
↓
高估 = 浪费
低估 = 性能不足
云计算的流程则是:
云计算:
实际需求增加
↓
增加资源
实际需求下降
↓
释放资源
↓
按实际使用量付费
三个概念的关系如下:
| 概念 | 一句话理解 |
|---|---|
| CapEx | 先买资产,再慢慢用 |
| OpEx | 随着使用持续付费 |
| Consumption-based Model | 用多少资源,付多少钱 |
云计算在容量规划上的主要优势,是不再要求企业准确预测未来所需的全部基础设施,而是允许资源随着实际需求扩缩。
Azure 物理基础架构
Azure 的核心架构组件分为两类:
- Physical Infrastructure(物理基础架构)
- Management Infrastructure(管理基础架构)
这一部分讨论物理基础架构。Azure 不让用户直接管理某台物理服务器,而是通过 Datacenter、Region、Availability Zone 和 Region Pair 组织全球资源,使工作负载能够在更高层次上部署,并获得故障隔离、可靠性和韧性。
1. Datacenter(数据中心)
Azure 的物理基础从 Datacenter 开始。它与传统企业数据中心类似,包含:
- 服务器
- 机架
- 电力系统
- 冷却系统
- 网络设备
主要区别在于规模,Azure 在世界各地拥有大量数据中心。用户通常不会选择某个具体 Datacenter,而是通过更高层次的 Region 和 Availability Zone 部署资源。
| 设计概念 | 通俗解释 | 作用 |
|---|---|---|
| Datacenter 是 Azure 最底层的物理设施 | 真正的服务器、网络、电力、冷却都在这里 | 为 Azure 云服务提供实际硬件基础 |
| 用户通常不直接操作具体 Datacenter | 你不会选择“把 VM 放到第几栋机房” | Azure 可以自行管理底层资源 |
| Datacenter 会被进一步组织成 Region 和 Availability Zone | 把大量物理机房抽象成更容易使用的逻辑结构 | 提供更好的可靠性和故障隔离 |
关键词
- Datacenter(数据中心):容纳服务器、网络、电力和冷却设施的物理场所。
- Rack(机架):用于安装服务器和网络设备的物理机柜。
- Physical Infrastructure(物理基础架构):真正的机房、服务器、电力、网络等硬件设施。
2. Region(区域)
Azure Region 是包含一个或多个邻近数据中心的地理区域,这些数据中心通过低延迟网络连接。创建 Azure 资源时,通常需要从以下这类 Region 中选择部署位置:
Japan East
West Europe
East US
Southeast Asia
| 设计概念 | 通俗解释 | 作用 |
|---|---|---|
| 一个 Region 包含一个或多个邻近 Datacenter | Region 不是一个机房,而是一组地理位置接近的数据中心 | 把底层数据中心组织成可管理的部署区域 |
| Region 内部使用低延迟网络连接 | 同一区域内的数据中心之间通信速度较快 | 适合组成一个完整的区域级云环境 |
| 创建 Azure 资源时通常需要选择 Region | 决定 VM、数据库等资源主要部署在哪里 | 影响延迟、合规、服务可用性和成本 |
| Azure 会在 Region 内管理资源分配和负载 | 用户不需要自己指定某台实体服务器 | Azure 自动管理底层资源 |
Region 可以理解为 Azure 在某个地理范围内建立的一整套云基础设施。例如,在日本部署服务时可以选择 Japan East,使服务更接近日本用户。
3. Region 并不是所有服务都一样
并非所有 Azure 服务和功能都在每个 Region 中提供,常见差异包括:
- 某些 VM Size 只在部分 Region 可用
- 某些 Storage 类型只在部分 Region 可用
- 某些特殊服务只部署在指定 Region
因此,选择部署位置时既要考虑与用户的距离,也要确认目标 Region 是否提供所需服务。Microsoft Entra ID、Azure Traffic Manager 和 Azure DNS 等 Global Service 则不要求选择具体 Region:
- Microsoft Entra ID
- Azure Traffic Manager
- Azure DNS
关键词
- Region(区域):由一个或多个邻近数据中心组成的 Azure 地理部署范围。
- Low-latency Network(低延迟网络):具有较低通信延迟的高速网络。
- Global Service(全球服务):不要求用户选择特定 Azure Region 的服务。
- VM Size:Azure VM 不同的 CPU、内存和硬件规格组合。
4. Availability Zone(可用区)
Availability Zone 是同一个 Azure Region 内彼此物理分离的数据中心区域,每个 Zone 都有独立的:
- 电力
- 冷却
- 网络
一个 Zone 出现故障时,其他 Zone 仍可继续运行;各 Zone 之间则通过高速私有光纤网络连接,以支持跨 Zone 通信和复制。
| 设计概念 | 通俗解释 | 作用 |
|---|---|---|
| Availability Zone 在物理上彼此分离 | 虽然都属于同一个 Region,但不是共用同一个机房环境 | 减少单一机房故障造成的影响 |
| 每个 Zone 有独立电力、冷却和网络 | 一个 Zone 的供电或网络故障不会必然拖垮其他 Zone | 提供故障隔离 |
| Zone 之间通过高速私有网络连接 | 不同 Zone 仍然可以快速通信 | 支持跨 Zone 冗余和复制 |
| 一个 Zone 可以包含一个或多个 Datacenter | Availability Zone 是比单一机房更高一层的故障隔离单位 | 提供更稳定的可用性边界 |
假设一个 Region 有三个 Availability Zone:
Azure Region
├── Zone 1
├── Zone 2
└── Zone 3
如果 Zone 1 因为电力问题完全故障:
Zone 1 ✕
Zone 2 ✓
Zone 3 ✓
只要服务跨多个 Zone 部署,Zone 1 的电力故障就不会必然中断整个服务。因此,Availability Zone 主要解决同一个 Region 内的机房级故障。
5. Availability Zone 是故障隔离边界
Azure 把 Availability Zone 设计成 Isolation Boundary(隔离边界),目标是把故障限制在单个 Zone 内,避免影响其他 Zone。这与前文的 Fault Isolation 思路一致:
Zone 1
电力故障
↓
Zone 1 服务停止
Zone 2 / Zone 3
独立供电
↓
继续运行
对于支持 Availability Zone 的 Region,Azure 至少提供三个独立 Zone。
不过,并非所有 Azure Region 都支持 Availability Zone。
关键词
- Availability Zone(可用区):Region 内物理隔离的基础设施区域。
- Isolation Boundary(隔离边界):一个故障尽量被限制在该范围内,不继续向外扩散。
- Fault Isolation(故障隔离):阻止局部故障影响其他资源的设计方式。
6. 如何利用 Availability Zone 提高可靠性
传统本地数据中心通常要购买两套或多套硬件才能实现冗余,而 Azure 可以把资源直接部署到不同 Availability Zone,例如:
Zone 1
VM A
Zone 2
VM B
Zone 3
VM C
某个 Zone 出现故障后,其他 Zone 中的资源仍然存在。可以跨 Zone 部署的资源包括:
- VM
- Storage
- Database
- 其他支持 Availability Zone 的 Azure 服务
跨 Zone 冗余也会增加成本,例如:
- 创建更多资源副本
- 跨 Zone 传输数据
- 保存更多数据副本
因此,设计时仍需权衡可靠性与成本。
7. Availability Zone 服务的三种类型
支持 Availability Zone 的 Azure 服务大致分为三类:
| 类型 | 通俗解释 | 例子 |
|---|---|---|
| Zonal Service | 你自己指定资源放在哪个 Zone | VM、Managed Disk、IP Address |
| Zone-redundant Service | Azure 自动在多个 Zone 之间复制 | Zone-redundant Storage、SQL Database |
| Non-regional Service | 服务本身不依赖某一个单独 Region | 一些全球性 Azure 服务 |
Zonal Service
使用 Zonal Service 时,用户明确指定资源所在的 Zone:
VM A → Zone 1
VM B → Zone 2
跨 Zone 冗余需要由用户设计。
Zone-redundant Service
使用 Zone-redundant Service 时,用户只需创建服务,Azure 平台会在多个 Zone 中部署副本:
Zone 1
Zone 2
Zone 3
多 Zone 复制由平台自动完成。
Non-regional Service
Non-regional Service 不绑定单个 Region,因此可以抵御:
- Zone 级故障
- Region 级故障
关键词
- Zonal Service:绑定到某一个特定 Availability Zone 的资源。
- Zone-redundant Service:Azure 自动将服务复制到多个 Zone。
- Non-regional Service:不依赖单一区域的服务。
- Managed Disk:Azure 管理的 VM 磁盘。
- Zone-redundant Storage,ZRS:自动在同一个 Region 的多个 Availability Zone 之间复制数据的存储方式。
8. 为什么有 Availability Zone 还需要 Region Pair
Availability Zone 可以应对单个 Zone 故障,但大规模自然灾害、区域级电力或网络中断、社会事件以及整个 Region 的基础设施问题,可能同时影响同一区域内的多个 Zone:
- 大规模自然灾害
- 区域级电力中断
- 大规模网络故障
- 社会事件
- 整个 Region 的基础设施问题
为了应对这类 Region 级故障,Azure 提供了 Region Pair(区域对)。
9. Region Pair(区域对)
大多数 Azure Region 会与同一 Geography 中的另一个 Region 配对。两个 Region 通常至少相距约 300 英里,以降低同一场区域性灾难同时影响两边的可能性,例如:
West US ↔ East US
Southeast Asia ↔ East Asia
| 设计概念 | 通俗解释 | 作用 |
|---|---|---|
| 两个 Region 组成 Region Pair | 一个区域还有另一个远距离区域作为恢复选择 | 提高 Region 级灾难的恢复能力 |
| 两个 Region 距离较远 | 避免同一次区域灾难同时破坏两个 Region | 降低相关性故障风险 |
| 可以跨 Region 复制资源或数据 | 一个 Region 故障后可以使用另一个 Region | 提供更高级别的灾难恢复 |
| Region Pair 通常位于同一 Geography | 数据通常不会跨出所要求的地理范围 | 有利于数据驻留和合规 |
Availability Zone 类似一个城市里的多个独立机房,Region Pair 则相当于在远处的另一个城市准备一套恢复环境。
10. Region Pair 并不等于自动灾备
Region Pair 只提供跨区域恢复的基础条件,并不表示 Azure 会自动复制所有数据和服务。事实上,并非所有服务都会:
- 自动跨 Region 复制
- 自动 Failover
- 自动 Failback
很多情况下,客户仍需自行配置:
- 数据复制
- 备用 Region
- Failover
- Disaster Recovery
是否进行跨 Region 复制和恢复,最终取决于服务本身的能力和客户配置。
关键词
- Region Pair(区域对):两个相距较远、用于增强区域级灾难恢复能力的 Azure Region。
- Cross-region Replication(跨区域复制):把数据或资源复制到另一个 Region。
- Failover(故障切换):主 Region 故障后切换到备用 Region。
- Failback(故障回切):主 Region 恢复后再切回。
- Disaster Recovery,DR(灾难恢复):发生大规模严重故障后恢复业务的整体能力。
11. Region Pair 的额外优势
除跨区域复制外,Region Pair 还有以下作用:
| 优势 | 通俗解释 | 作用 |
|---|---|---|
| 大规模 Azure 故障时,会优先恢复每对 Region 中至少一个 | 微软会尽量保证一对 Region 不会长期一起不可用 | 提高恢复概率 |
| Azure 计划更新通常不会同时更新两个配对 Region | 一个更新时,另一个暂时保持不变 | 降低更新导致同时故障的风险 |
| 数据通常保持在同一个 Geography 内 | 数据不会随意跨出某个国家或地理范围 | 满足数据驻留和合规需求 |
12. Region Pair 的特殊情况
大多数 Region Pair 是双向的:
Region A ↔ Region B
这表示 A 和 B 互为备份选择,但并非所有 Region 都采用这种方式。Brazil South 就是一个特殊案例:
Brazil South
→ South Central US
这种配对并不完全对称,还有一些 Region 没有传统 Region Pair,例如:
- Italy North
- Poland Central
- Israel Central
这些 Region 更多依赖以下机制实现韧性:
- Availability Zone
- Geo-redundant Storage
关键词
- Bidirectional Pairing(双向配对):两个 Region 互相作为配对区域。
- One-direction Pairing(单向配对):Region A 使用 Region B 作为配对,但反过来并不成立。
- Geo-redundant Storage(地理冗余存储):把数据复制到较远的另一个地理区域,以应对 Region 级故障。
13. Geography
Geography 是比 Region 更大的地理边界,例如:
United States
Europe
Asia
一个 Geography 可以包含多个 Region,整体层级如下:
Geography
↓
Region
↓
Availability Zone
↓
Datacenter
Geography 的范围最大,Datacenter 则是最具体的物理层级。
关键词
- Geography(地理区域):Azure 用来组织多个 Region 的更大地理范围,通常与数据驻留和合规要求相关。
- Data Residency(数据驻留):规定数据应存储在哪个国家或地理范围内。
14. Sovereign Region(主权区域)
除普通 Azure Region 外,还有 Sovereign Region(主权区域)。它们与 Azure 的全球基础设施在物理和逻辑上隔离,主要用于满足:
- 政府要求
- 法律要求
- 合规要求
- 数据主权要求
| 类型 | 通俗解释 |
|---|---|
| US Government Regions | 专门为美国政府机构和合作伙伴提供的隔离 Azure 环境 |
| China Regions | 中国地区独立运营的 Azure 环境 |
美国政府区域
美国政府区域包括:
- US DoD Central
- US Gov Virginia
- US Gov Arizona
这些环境具有以下特点:
- 与普通 Azure 网络隔离
- 面向美国政府机构及合作伙伴
- 由经过审查的美国人员运营
- 具备额外合规认证
中国区域
中国区域包括:
- China East
- China North
中国 Azure 由 Microsoft 与 21Vianet 合作提供,Microsoft 不直接维护这些数据中心。
关键词
- Sovereign Region(主权区域):与普通全球 Azure 环境隔离、用于满足特殊法律和合规要求的云区域。
- Logical Isolation(逻辑隔离):虽然都是 Azure 技术体系,但网络、账号或管理体系彼此独立。
- Compliance Certification(合规认证):证明云环境符合特定政府、行业或法律标准的认证。
- 21Vianet(世纪互联):在中国运营相关 Azure 云服务的合作伙伴。
总结
Azure 的物理架构层级如下:
Geography
↓
Region
↓
Availability Zone
↓
Datacenter
↓
Physical Servers
每个层级解决的问题不同:
| 层级 | 主要解决什么问题 |
|---|---|
| Datacenter | 真正在哪里运行服务器 |
| Availability Zone | 一个机房级故障时怎么办 |
| Region | 资源主要部署在哪个地理区域 |
| Region Pair | 整个 Region 出现严重故障时怎么办 |
| Geography | 数据和资源属于哪个大的地理、合规范围 |
| Sovereign Region | 特殊政府、法律和数据主权要求 |
其中最容易混淆的是 Availability Zone 与 Region Pair:
Availability Zone
同一个 Region 内的故障隔离
相比之下:
Region Pair
不同 Region 之间的灾难恢复
简而言之,Zone 处理机房级故障,Region Pair 处理区域级灾难。Azure 的物理可靠性设计通过以下层级逐步扩大故障隔离范围:
一台服务器坏了
↓
Datacenter 内处理
一个机房 / Zone 坏了
↓
其他 Availability Zone 继续运行
整个 Region 坏了
↓
另一个 Region / Region Pair 提供恢复能力
Azure 通过 Datacenter → Availability Zone → Region → Region Pair 的多层结构,把故障隔离和冗余能力从单个数据中心扩展到整个地理区域。
Azure 管理基础架构
Azure 的管理基础架构主要包括:
- Resources(资源)
- Resource Groups(资源组)
- Subscriptions(订阅)
- Management Groups(管理组)
- Accounts / Microsoft Entra Tenant(账户 / 租户)
这些层级共同决定资源如何组织、权限如何控制以及费用如何管理,完整关系如下:
Tenant Root Group
↓
Management Groups
↓
Subscriptions
↓
Resource Groups
↓
Resources
1. Azure Resource(资源)
Resource 是 Azure 中最基本的管理对象。在 Azure 中创建、预配或部署的服务实例通常都属于 Resource,例如:
- Virtual Machine
- Virtual Network
- Database
- Storage Account
- Azure AI Service
| 概念 | 通俗解释 | 作用 |
|---|---|---|
| Resource 是 Azure 最基本的构建单元 | 你实际创建出来并使用的 Azure 服务,就是资源 | 所有部署、权限、监控和计费最终都会落到具体资源上 |
关键词
- Resource(资源):Azure 中实际创建出来的服务实例。
- Provision(预配):创建并准备资源,使其能够使用。
- Deploy(部署):把资源、应用或配置真正放到环境中运行。
2. Resource Group(资源组)
Resource Group 是一组 Azure Resources 的逻辑集合,每个 Resource 必须且只能同时属于一个 Resource Group。例如:
Resource Group: Web-App-Prod
├── VM
├── Virtual Network
├── SQL Database
└── Storage Account
资源组不是物理位置,而是组织相关资源的逻辑容器。
| 设计规则 | 通俗解释 | 作用 |
|---|---|---|
| 每个 Resource 必须属于一个 Resource Group | Azure 不允许资源完全“散着放” | 让所有资源都有明确管理归属 |
| 一个 Resource 同一时间只能属于一个 Resource Group | 一台 VM 不能同时放进两个资源组 | 避免管理边界混乱 |
| 某些 Resource 可以在 Resource Group 之间移动 | 如果分组方式发生变化,可以把部分资源重新归类 | 提高组织灵活性 |
| Resource Group 不能嵌套 | 不能在一个资源组里面再建另一个资源组 | 保持层级简单 |
| Resource Group 创建后不能重命名 | 名字要在一开始就规划好 | 避免后期命名混乱 |
| 对 Resource Group 执行某些操作,会影响里面所有 Resource | 管理动作可以批量向下作用 | 方便统一管理 |
为什么 Resource Group 很重要
Resource Group 不只是用于分类的“文件夹”,在其范围内执行的删除或权限配置等操作可能作用于组内资源。
删除 Resource Group
Delete Resource Group
↓
里面所有 Resources 一起删除
所以,如果你建立一个临时开发环境:
Dev-Test Resource Group
├── VM
├── Database
├── Storage
└── Network
测试结束后可以直接删除整个 Resource Group,不必逐个清理资源。
权限控制
如果给某个用户授予 Resource Group 的访问权限:
User
↓
获得 Resource Group 权限
↓
可以访问组内相应 Resources
因此,Resource Group 也是常用的权限管理范围。
如何划分 Resource Group
Azure 没有规定资源组的唯一划分方式,组织可以根据实际需求按项目划分:
Project A Resource Group
Project B Resource Group
Project C Resource Group
也可以按环境划分:
Dev Resource Group
Test Resource Group
Prod Resource Group
另一种方式是把生命周期相同的应用资源放在一起。划分时应优先考虑生命周期、权限和管理方式是否相近,例如临时测试环境中的 VM、数据库和网络通常一起创建和删除,适合放在同一个 Resource Group。
关键词
- Resource Group(资源组):用于组织和统一管理 Azure Resources 的逻辑容器。
- Lifecycle(生命周期):资源从创建、运行到删除的整个过程。
- Naming Convention(命名规范):统一规定资源和资源组如何命名。
- Access Control(访问控制):规定谁能够访问和操作哪些资源。
3. Azure Subscription(订阅)
Subscription 是 Azure 的资源组织、访问控制和费用管理边界,Resource Group 位于 Subscription 之下:
Subscription
↓
Resource Groups
↓
Resources
一个 Azure Account 可以拥有多个 Subscription,但至少需要一个 Subscription 才能使用 Azure 服务。
| Subscription 的作用 | 通俗解释 |
|---|---|
| Management Unit | 用来组织一批 Resource Groups 和 Resources |
| Billing Unit | Azure 可以按照不同 Subscription 分别统计费用 |
| Access Boundary | 不同 Subscription 可以配置不同权限和访问策略 |
| Scale Boundary | 可以通过多个 Subscription 扩大和分隔资源管理范围 |
计费边界
Subscription 可以作为独立的计费边界。例如:
Azure Account
├── Dev Subscription
├── Test Subscription
└── Production Subscription
Azure 可以分别产生:
Dev → 一份费用报告
Test → 一份费用报告
Production → 一份费用报告
分开统计后,组织可以清楚地看到各项目、团队或环境产生的费用。
| 做法 | 通俗解释 | 作用 |
|---|---|---|
| 为不同业务创建不同 Subscription | 把费用拆开统计 | 方便成本追踪 |
| 为生产和开发环境使用不同 Subscription | 生产成本不会和测试成本混在一起 | 提高财务可见性 |
| 为不同团队创建 Subscription | 每个团队单独计算云资源成本 | 方便预算管理 |
关键词
- Billing Boundary(计费边界):费用统计和账单划分的范围。
- Billing Report(费用报告):记录某个 Subscription 使用了多少 Azure 服务以及产生多少费用。
- Cost Tracking(成本追踪):分析云费用来自哪些项目、团队或资源。
访问控制边界
Subscription 同时也是权限控制边界,不同环境可以采用不同的权限配置:
Development Subscription
开发人员拥有较高权限
Production Subscription
只有少数运维人员能够修改
这种隔离可以降低开发人员测试代码时误操作生产资源的风险。各 Subscription 还可以分别设置 Access Policy、Budget / Cost Alert 和 Resource Permission。只有 Free Trial、Visual Studio 等带额度的订阅才可能具有 Spending Limit,按使用付费的订阅通常通过预算和告警监控成本。
| 做法 | 通俗解释 | 作用 |
|---|---|---|
| Dev 和 Prod 使用不同 Subscription | 把开发环境和生产环境隔离 | 减少误操作风险 |
| 不同 Subscription 配置不同权限 | 不同团队只能操作自己的资源 | 加强安全性 |
| 不同 Subscription 设置预算和成本告警 | 分别监控各环境的支出 | 控制成本风险 |
关键词
- Access Control Boundary(访问控制边界):权限规则可以独立配置的一层管理范围。
- Budget / Cost Alert(预算 / 成本告警):跟踪费用并在达到阈值时通知相关人员,但不会自动停止资源。
- Access Policy(访问策略):规定谁可以执行哪些操作。
为什么创建多个 Subscription
随着 Azure 环境扩大,单个 Subscription 往往难以同时满足环境隔离、团队授权和成本核算需求,常见拆分方式有三类。
按环境拆分
Sandbox
Development
Test
Production
这样可以隔离生命周期不同的环境。
按团队或工作负载拆分
Team A Subscription
Team B Subscription
Project C Subscription
这样更容易分别管理权限和费用。
按计费需求拆分
按计费需求拆分时,可以采用以下结构:
Production Subscription
Development & Test Subscription
这样财务部门可以清楚区分正式业务成本与开发测试成本。
4. Azure Management Group(管理组)
少量 Subscription 可以逐个管理,但大型企业可能拥有:
几十个
几百个
甚至几千个 Subscription
逐个配置这些 Subscription 的权限和策略会产生大量重复工作,因此 Azure 在 Subscription 之上提供了 Management Group:
Management Group
↓
Subscriptions
↓
Resource Groups
↓
Resources
Management Group 用于统一管理多个 Subscription。
策略继承
Management Group 支持 Policy 和 Access 向下继承。例如:
Production Management Group
Policy:
VM 只能部署到 West US
↓
Subscription A
Subscription B
Subscription C
↓
所有 Resource Groups
↓
所有 Resources
下层所有 Subscription 都会受到该规则约束,不需要逐个重复配置。
| Management Group 能做什么 | 通俗解释 | 作用 |
|---|---|---|
| 对多个 Subscription 设置统一 Policy | 一条规则管很多订阅 | 提高治理效率 |
| 统一配置 Access | 给用户一次授权,就可以作用到下面多个 Subscription | 减少重复权限配置 |
| 建立多层组织结构 | 可以按照部门、区域、业务等组织 Subscription | 模拟真实企业组织结构 |
| 向下继承配置 | 子层级自动获得上层规则 | 保持管理一致性 |
Policy 继承示例
假设公司要求 Production 环境的 VM 只能运行在 West US,可以按以下方式配置:
Production Management Group
Policy:
Allowed Region = West US
├── Production Subscription A
├── Production Subscription B
└── Production Subscription C
在此结构中,下层 VM 都受到同一策略约束:
所有下面的 VM
↓
只能部署到 West US
继承的上层治理策略不能由 Subscription Owner 直接绕过,因此企业可以把统一规则应用到大量 Subscription。
Azure RBAC 与 Management Group
Management Group 也能统一分配权限。假设某个管理员需要读取多个 Subscription,没有 Management Group 时必须逐个配置:
Subscription A → 配一次权限
Subscription B → 再配一次
Subscription C → 再配一次
Subscription D → 再配一次
使用 Management Group 后:
Management Group
↓
配置一次 Azure RBAC
↓
下面所有 Subscription 自动继承
权限还可以继续向下继承:
Management Group
↓
Sub-management Group
↓
Subscription
↓
Resource Group
↓
Resource
关键词
- Azure RBAC(Role-Based Access Control):基于角色的访问控制,用角色决定用户能够对 Azure 资源执行什么操作。
- Role Assignment(角色分配):把某个 Azure Role 分配给某个用户、组或身份。
- Inheritance(继承):下层资源自动获得上层定义的权限或策略。
- Governance(治理):通过规则、权限和策略统一管理云资源。
- Policy(策略):用于限制或规范 Azure 资源配置的规则。
Management Group 嵌套
Resource Group 不能嵌套,Management Group 则可以形成多层结构。例如:
Tenant Root Group
│
├── Production
│ ├── Europe
│ │ ├── Subscription A
│ │ └── Subscription B
│ │
│ └── Asia
│ ├── Subscription C
│ └── Subscription D
│
└── Development
├── Subscription E
└── Subscription F
企业可以按照部门、国家或地区、开发环境、项目和业务类型建立管理层级。Management Group 最多可以嵌套 6 层,这一限制不计算:
- Tenant Root Group
- Subscription 层
Management Group 的限制
Management Group 还受以下数量和层级规则限制:
| 规则 | 含义 |
|---|---|
| 一个 Directory 最多支持 10,000 个 Management Groups | Azure 对管理组数量有上限 |
| Management Group 可以嵌套最多 6 层 | 可以建立较复杂的组织层级 |
| 每个 Management Group 只能有一个 Parent | 一个管理组不能同时属于两个上级 |
| 每个 Subscription 只能有一个 Parent | 一个 Subscription 同时只能处于一个 Management Group 分支中 |
这与 Resource Group 的组织原则相似,每个对象在层级中都有明确的父级。
5. Tenant Root Group
每个 Microsoft Entra Tenant 都有一个 Tenant Root Group,它是 Management Group 层级的根节点,所有 Management Groups 和 Subscriptions 最终都位于其下。结构如下:
Tenant Root Group
↓
Management Groups
↓
Subscriptions
↓
Resource Groups
↓
Resources
在 Tenant Root Group 上应用的 Policy 或角色分配会沿层级继承,因此可能影响整个 Tenant 下的 Azure 环境。
关键词
- Microsoft Entra Tenant(Entra 租户):一个组织在 Microsoft Entra ID 中的独立身份和目录边界。
- Tenant Root Group:Management Group 层级最顶层的根管理组。
- Directory(目录):保存组织用户、组、身份等信息的身份管理环境。
关键词总览
- Azure Resource:Azure 中实际创建和使用的服务实例。
- Resource Group:把相关 Resources 放在一起管理的逻辑容器。
- Subscription:Azure 中用于资源组织、权限控制和费用管理的边界。
- Management Group:用于统一管理多个 Subscription 的上层管理结构。
- Tenant Root Group:整个 Management Group 层级的根节点。
- Microsoft Entra Tenant:组织在 Microsoft Entra ID 中的独立身份目录。
- Billing Boundary:费用独立统计的管理边界。
- Access Control Boundary:权限可以独立配置的管理边界。
- Azure RBAC:基于角色控制用户能够访问和操作哪些 Azure 资源。
- Azure Policy:用于规定 Azure Resource 必须满足哪些配置和合规要求。
- Inheritance(继承):上层的 Policy 或 Access 设置自动作用到下层。
总结
Azure 管理基础架构的核心是以下层级:
Tenant Root Group
↓
Management Group
↓
Subscription
↓
Resource Group
↓
Resource
可以用公司的组织结构作类比:
| Azure 概念 | 类比 |
|---|---|
| Tenant Root Group | 整个公司 |
| Management Group | 事业部 / 部门 |
| Subscription | 某个项目或独立预算单位 |
| Resource Group | 项目中的某一组相关资源 |
| Resource | 真正的 VM、数据库、网络等 |
各层承担不同职责:
| 层级 | 核心作用 |
|---|---|
| Resource | 真正提供功能 |
| Resource Group | 管理一组相关资源 |
| Subscription | 隔离权限、费用和环境 |
| Management Group | 统一管理大量 Subscription |
| Tenant Root Group | 对整个组织进行最高层治理 |
Policy 和 Access 的继承关系如下:
上层 Policy / Access
↓
Management Group
↓
Subscription
↓
Resource Group
↓
Resource
Resource 是实际服务,Resource Group 管理一组资源,Subscription 负责资源组织、权限和费用边界,Management Group 统一管理多个 Subscription,Tenant Root Group 则位于整个 Azure 管理层级的顶层。
Azure Monitor
Azure Monitor 中的 SLI
SLI(Service Level Indicator,服务级别指标)用于衡量服务的实际可靠性或性能。Azure Monitor 会把实际观测到的服务表现,与预先设定的目标进行比较,从而判断服务是否达到预期。一个完整的 SLI 不只是一个指标,而是由服务范围、SLI 类型、评估方式、信号设计、SLO 目标和统计周期等共同组成。
1. SLI 的基本组成
| 组成部分 | 通俗解释 | 作用 |
|---|---|---|
| Service Group | 这个 SLI 到底是在衡量哪个应用或工作负载 | 明确测量范围 |
| SLI Type | 你到底想测“能不能用”,还是“够不够快” | 决定可靠性问题的类型 |
| Evaluation Method | 按每一次请求统计,还是按一段段时间窗口统计 | 决定 SLI 的计算方式 |
| Signal Design | 用哪些指标、过滤条件、聚合方式和公式来判断好坏 | 定义什么算成功、什么算失败 |
| Baseline Target | 实际指标需要达到的目标值,也就是 SLO | 判断服务是否达标 |
| Compliance Period | 在多长时间范围内判断是否达标 | 明确统计周期 |
关键词
- SLI:实际测量出来的服务表现。
- SLO:SLI 应该达到的目标。
- Compliance Period:判断 SLO 是否达标的统计时间范围,例如 7 天、30 天。
- Signal:用于计算 SLI 的原始监控数据和条件。
2. SLI 的两种主要类型
Azure Monitor 主要支持 Availability 和 Latency 两类 SLI:
| 类型 | 通俗解释 | 例子 |
|---|---|---|
| Availability | 服务到底有没有正常工作 | 99.99% 的读写请求成功 |
| Latency | 服务响应得够不够快 | 95% 的请求在 300 ms 内完成 |
关键词
- Availability(可用性):服务是否成功完成用户请求。
- Latency(延迟):从请求发出到得到响应所需要的时间。
Availability 衡量请求是否成功,Latency 衡量响应是否足够快。
3. 两种评估方式
Azure Monitor 可以按 Request-based 或 Window-based 两种方式计算 SLI:
| 评估方式 | 通俗解释 | 适合场景 |
|---|---|---|
| Request-based | 每个请求都算一次,然后看成功请求占总请求多少 | 最适合衡量接口请求成功率,是最常见方式 |
| Window-based | 把时间切成一段一段,每一段判断“好还是坏” | 适合不希望短时间抖动对整体结果影响太大的场景 |
Request-based
Request-based SLI 的核心公式是:
SLI = Good Requests / Total Requests
以下示例中,成功请求数为 9900,总请求数为 10000:
成功请求:9900
总请求:10000
SLI = 9900 / 10000 = 99%
其中,Good Signal 是分子,表示符合成功条件的请求;Total Signal 是分母,表示所有参与统计的请求。例如:
Good Signal:
HTTP 状态码 = 200 的请求
Total Signal:
所有 HTTP 请求
相应的 Availability SLI 为:
Availability SLI
= HTTP 200 请求数 / 总请求数
Window-based
Window-based 不直接统计成功请求占比,而是先把时间划分为多个窗口,例如每 5 分钟一个窗口:
每 5 分钟作为一个窗口
然后逐个判断窗口是否合格:
错误率 < 1%
→ Good Window
错误率 >= 1%
→ Bad Window
最终按合格窗口占比计算 SLI:
SLI = Good Windows / Total Windows
这种方法能降低短暂流量尖峰对整体 SLI 的影响。
关键词
- Good Signal:满足成功条件的数据。
- Total Signal:参与统计的全部数据。
- Request-based:以请求为基本统计单位。
- Window-based:以时间窗口为基本统计单位。
- Threshold(阈值):用于判断结果是否合格的界限值。
4. Signal 如何定义
真正创建 SLI 时,需要指定 Azure Monitor 应该使用哪些 Metrics,并通过过滤、聚合和公式定义成功条件。
| 方法 | 通俗解释 | 例子 |
|---|---|---|
| Metric | 选择真正要统计的数据 | 请求数、错误数、响应时间 |
| Filter | 只保留符合条件的数据 | 只统计 HTTP 200 |
| Temporal Aggregation | 把一段时间内的数据进行汇总 | Average、Maximum、Count |
| Spatial Aggregation | 把多个时间序列进一步合并 | 把多个实例的数据汇总成服务整体 |
| Formula | 用多个指标计算出新信号 | 成功请求数 ÷ 总请求数 |
关键词
- Metric(指标):系统持续产生的数值,例如请求数、CPU、延迟。
- Filter(过滤):从所有数据中筛选出需要的数据。
- Temporal Aggregation(时间聚合):对一段时间内的数据进行平均、求最大值或计数。
- Spatial Aggregation(空间聚合):把来自多个实例、区域或时间序列的数据合并。
- Formula(公式):通过一个或多个指标计算出最终信号。
5. SLI 与 SLO 的关系
SLI 是实际测量值,Baseline Target 是 SLI 应达到的目标,也就是 SLO。例如:
SLI:
过去 30 天请求成功率 = 99.92%
SLO:
请求成功率 >= 99.9%
此时实际值高于目标:
99.92% > 99.9%
→ 达到 SLO
如果实际值低于目标:
SLI = 99.7%
SLO = 99.9%
→ 未达到 SLO
可以把 SLI 理解为实际成绩,把 SLO 理解为目标分数。
6. Error Budget
Azure Monitor 根据 SLO 计算 Error Budget,公式为:
Error Budget = 100% - SLO
SLO 为 99.9% 时:
SLO = 99.9%
Error Budget
= 100% - 99.9%
= 0.1%
这表示服务在当前统计周期内最多可以承受 0.1% 的不可靠性。
| 概念 | 通俗解释 |
|---|---|
| SLO | 你要求系统达到的可靠性 |
| Error Budget | 在不违反 SLO 的前提下,还允许出多少问题 |
SLO:99.9%
允许失败:0.1%
当 SLO 为 99.9% 时,剩余的 0.1% 就是可以被故障、发布风险或其他异常消耗的预算。
7. Burn Rate
Burn Rate 表示 Error Budget 的消耗速度。Azure Monitor 不只关心预算还剩多少,也会判断当前消耗速度是否会使预算很快耗尽。例如,初始 Error Budget 为 0.1%:
Error Budget = 0.1%
如果统计刚开始不久就出现以下情况:
已经消耗 0.08%
即使服务暂时没有违反 SLO,预算也消耗得过快,Burn Rate 可以提前反映这种风险。
Fast Burn
Fast Burn 指 Error Budget 在短时间内快速消耗,通常意味着突然发生严重故障或版本回退,例如:
刚发布新版本
↓
大量 500 错误
↓
10 分钟消耗掉大量 Error Budget
Slow Burn
Slow Burn 的消耗速度较慢,但持续时间很长,例如:
每天都有少量请求失败
↓
问题持续几个星期
↓
最终仍然可能耗尽 Error Budget
关键词
- Error Budget:允许的不可靠性额度。
- Burn Rate:Error Budget 的消耗速度。
- Fast Burn:短时间内快速消耗预算。
- Slow Burn:长期持续消耗预算。
Error Budget 反映还剩多少容错空间,Burn Rate 反映这部分空间消耗得有多快。
8. Alert
Azure Monitor 可以针对 SLI 配置不同类型的告警:
| 告警类型 | 通俗解释 | 用途 |
|---|---|---|
| Baseline Alert | SLI 已经低于 SLO | 告诉你服务已经不达标 |
| Fast Burn Rate Alert | Error Budget 正在被快速消耗 | 提前发现突然恶化的问题 |
| Slow Burn Rate Alert | Error Budget 长时间持续被消耗 | 发现长期的小问题 |
三类告警关注的阶段不同:
Baseline Alert:
“你已经不及格了。”
Fast Burn:
“照这个速度下去,很快就会不及格。”
Slow Burn:
“问题虽然不严重,但一直这样迟早会不及格。”
Burn Rate 告警能够在 SLO 真正被突破前发出预警,因此比只等待基线告警更早暴露风险。
整体流程
Azure Monitor 中创建和使用 SLI 的流程如下:
确定要监控哪个服务
↓
选择 SLI 类型
Availability / Latency
↓
选择评估方式
Request-based / Window-based
↓
选择 Metrics
↓
通过 Filter / Aggregation / Formula
定义什么算 Good
↓
计算 SLI
↓
设置 SLO
↓
计算 Error Budget
↓
持续观察 Burn Rate
↓
配置告警
各概念之间的关系如下:
SLI
实际表现
↓
与 SLO 比较
↓
SLO
目标表现
↓
100% - SLO
↓
Error Budget
允许失败多少
↓
Burn Rate
失败额度消耗多快
SLI 描述系统的实际表现,SLO 规定目标水平,Error Budget 表示还能容忍多少失败,Burn Rate 则反映这部分额度的消耗速度。