服务器出问题，原因大多简单。没有黑客，没有天灾，更常见的是一块用了四年的硬盘、一个悄悄写满的分区，或者一条线路在晚上八点之后开始丢包。稳定运行说到底，就是是把这些不起眼的问题提前处理掉。
云服务商能做的，是压低故障发生的概率，缩小故障发生后的影响，并且尽快恢复；做不到的，是让故障彻底消失。
硬件故障是最直观的一类。硬盘、内存、电源、风扇都有寿命，其中硬盘最容易出事，表现为系统突然卡死、文件系统变成只读，或者干脆重启。服务器用得越久，这类问题越多，所以设备的更换周期和备件储备，直接关系到故障率。
资源不足常被误当成故障。CPU长期跑满，内存耗尽后系统开始强制结束进程，磁盘写满导致数据库无法写入，这些情况下服务器并没有坏，只是撑不住了，症状往往是变慢而不是断线，业务高峰时尤其明显。
网络方面，晚高峰的线路拥堵像慢性病，光缆被施工挖断、海缆故障则是急性病。有个特征很好辨认：如果只有某个地区或某家运营商的用户反映打不开，其他地方一切正常，问题多半出在线路上，而不是服务器上。
数据中心的电力和制冷异常，发生得少，一旦发生影响面却很大。一次断电或者空调失效，可能让整排机柜同时受影响，服务器温度过高还会触发保护性关机。
网络攻击和安全问题同样会拖垮稳定性。DDoS把带宽堵死，机器本身再健康也没人访问得进来；服务器被入侵后拿去挖矿，CPU被占满，业务自然卡顿。
最后一类最容易被忽略，也最常见：配置错误和应用程序故障。防火墙规则误改、证书过期、代码内存泄漏、数据库连接数耗尽，这些问题出在用户自己的系统里，服务商一般无法替你解决。分清哪些属于基础设施问题、哪些属于应用问题，后面评估服务商的保障能力时，才不会提出不合理的期待。
基础设施的毛病不容易被客户看到，一旦出事却是最难绕开的。
一套像样的供电，至少有双路市电接入，后面接UPS不间断电源，再加柴油发电机。市电中断时，UPS先顶上，撑到发电机启动，整个过程服务器感觉不到停电。机柜内的服务器通常使用双电源，分别接在两路不同的供电线路上，任何一路检修都不影响运行。常说的T3级机房，核心就在于此：任何一路供电或制冷设备维护时，业务不需要停机。可以问服务商的具体问题包括：发电机的燃油储备能支撑多久，是否定期做带载演练。
服务器对温度很敏感。机房一般采用冷热通道隔离，精密空调带备份，温度和湿度有专门的监控点。温度过高，CPU会自动降频，严重时触发保护关机；湿度太低容易积累静电，太高又可能凝露。制冷的稳定性看的是冗余设计，也就是一台空调出故障时，其余的是否有足够余量接手。
光缆冗余有个常被忽略的细节：两条光缆如果走的是同一条管道，一次施工就可能同时挖断，所谓冗余也就没有意义了。可靠的做法是多条光缆从不同方向、不同路由进入机房，再接入不同运营商。机房内部的核心交换机、路由器同样需要双机备份，避免单台设备故障拖垮整个机房的网络。
日常巡检、硬盘健康状态检测、内存和电源告警监控，是把硬件故障消灭在发生之前的办法。备件库存也很关键，坏一块硬盘时，是当场更换还是等几天调货，对业务的影响天差地别。服务器本身的品牌和使用年限同样要看，到了寿命的设备应当按周期淘汰，而不是一直用到坏。
门禁、视频监控、机柜上锁、访客登记，防的是人为误操作和非授权接触。环境方面，烟感、漏水检测和气体消防是标配，用气体而不是水来灭火，是为了在扑灭火情的同时不损坏设备。这些措施平时不起眼，却决定了一次小事故会不会演变成大事故。
接入的运营商越多，用户从不同网络访问时可选的路径就越多，单一运营商出问题时，影响范围也越小。对业务来说，这意味着某家运营商的线路故障，不会让所有用户同时失联。
BGP让机房可以同时接入多家运营商，并根据线路状态自动选择路径。当某条线路出现故障，对应的路由被撤销，流量由其余线路接手。需要知道的是，这种切换并非瞬间完成，路由收敛需要一段时间，从几秒到几分钟不等，期间部分用户可能出现短暂的访问中断。服务商调度做得好不好，体现在切换是否及时、是否会在多条线路之间反复震荡。
除了线路层面，设备层面也要有冗余：服务器网卡双上联，接入交换机、汇聚交换机双机热备，任何一台设备故障时，由备用设备接管。切换时已建立的连接会不会中断，是衡量冗余设计成熟度的一个细节，值得向服务商了解。
跨境和跨区域访问，稳定性的主要风险来自国际出口拥塞和海缆故障。海缆检修或损坏时，流量被迫绕行，延迟会突然升高。降低这类风险的办法，一是选择有多个国际出口的机房，二是业务面向多个地区时，部署多个节点并配合CDN，避免所有用户都依赖同一条路径。
网络的问题经常是间歇性的，靠人工发现往往太晚。持续探测延迟和丢包，监控路由路径的变化，并在指标超过阈值时自动告警，服务商才有机会赶在用户投诉之前发现问题。
计算资源坏了可以换，线路断了可以切，数据丢了却无法重来，存储是稳定性里最不能出错的一环。
先说存储设备本身。SSD的随机读写能力比机械硬盘高出很多，对数据库、高并发网站这类业务影响明显；可靠性方面，要看是否采用RAID或者多副本，一块盘损坏时数据是否仍然完整。存储系统还应当持续监控坏块、健康状态和重建进度。RAID重建的几个小时里，如果恰好再有一块盘出问题，就可能丢数据，这是不少事故的真实路径。
接下来要分清三个常被混用的概念：存储冗余、数据备份和异地灾备。RAID或多副本好比在同一间屋子里放两个保险柜，一个坏了另一个还在，但屋子着火，两个都没了；而且冗余会把错误同步复制，误删一个文件，两份一起消失。备份像按时间点留存档案，能把数据退回到昨天的状态，用来对付误删、程序错误和勒索软件。异地灾备则是把档案放到另一栋楼里，对付的是整个机房出事。三者各管一块，不能互相替代。
快照也值得单独说一句。快照创建很快，适合在升级系统、修改配置之前随手留一个还原点，但它通常和原数据存放在同一套存储里，机房级故障时一并受影响，不能当成备份的全部。
评估数据保障，有两个数字比“数据很安全”几个字有用得多。一个是恢复点目标（RPO），指最多可以丢多长时间的数据；另一个是恢复时间目标（RTO），指故障后多久必须恢复。举个例子：每天凌晨三点做一次备份，下午三点出了问题，最多会丢掉十二个小时的数据。对订单系统来说，这个数字大概无法接受，需要更高频的备份，或者实时同步。备份是否真的能恢复，要在上线前实际演练一次，别等到出事才发现备份文件打不开。
监控的意义在于抢时间：故障总会发生，越早发现，影响越小。需要提醒的是，服务商的监控通常覆盖机房、网络、宿主机和实例的资源层面，应用自身的状态要靠用户自己补充。
看趋势，不看瞬时值。CPU偶尔冲到高位很正常，持续一段时间居高不下才需要处理。内存要区分被缓存占用的部分和真正可用的部分，不少人看到内存占用很高就紧张，其实系统只是把空闲内存拿去做了缓存。告警阈值应当结合业务特点设置，并保留历史曲线，便于判断服务器是否需要升级。
磁盘写满是非常典型的“低级事故”，日志文件无限增长，直到某天数据库停止写入。空间监控要提前预警，别等剩下百分之一才通知。I/O方面，读写等待时间变长，往往比空间不足更早暴露问题，比如磁盘开始出现坏道，或者别的业务占满了存储带宽。
带宽使用率接近上限，说明该考虑扩容；入口流量突然暴增，可能是攻击的信号；出口流量异常，则要警惕服务器是否被利用。连通性方面，除了在服务器内部监控，还需要从外部多个地点探测，因为服务器自己觉得一切正常，用户却未必访问得通。
告警的价值取决于能不能被及时处理。渠道要多样，短信、邮件、回调接口都应支持；级别要有区分，重要告警和提示性信息混在一起，时间长了谁也不会认真看。夜间谁来接收告警，也要有明确安排。
每一次异常都应留下记录：什么时间发生，哪个指标先异常，随后发生了什么，期间做过哪些变更。有了完整的时间线，才能判断根因，也才能避免同样的问题反复出现。
安全问题对稳定性的影响很直接。DDoS攻击消耗的是带宽和连接资源，被攻击的服务器哪怕毫发无损，用户也访问不了。防护通常部署在机房入口，由清洗设备把攻击流量过滤掉，再把正常流量转发给服务器，防护能力以带宽计量，单位是Gbps。要留意攻击流量超过防护阈值时会发生什么：有的服务商继续清洗，有的则将目标IP暂时封停，也就是所谓的“黑洞”，这一点应当在购买前问清楚。
CC攻击发生在应用层，模拟大量正常请求去消耗网站的处理能力，单靠入口带宽清洗很难识别，需要结合访问频率限制、行为识别等手段。防火墙和访问控制则决定了攻击面的大小：只开放必要的端口，管理端口限制来源IP，能挡掉大部分自动化扫描和暴力破解。
入侵检测与漏洞扫描，防的是服务器“从内部出问题”。被植入挖矿程序、被当作攻击别人的跳板，都会让资源被悄悄占用，稳定性下降而主人毫不知情。异常流量监测，特别是出口流量的突增，常常是发现这类问题的第一个信号。
最后是应急机制。攻击发生时，谁来判断，是否启用高防，是否临时封禁某些来源，多长时间内响应，这些在平时就应当有明确流程，而不是等到出事才临时商量。
拿一次假想的故障来说。凌晨两点多，监控发现某台云服务器的外网探测连续失败，告警发出；值班人员先查看同一宿主机上的其他实例，都正常，排除了宿主机故障；再通过控制台远程连接，系统运行正常，问题缩小到网络；MTR显示在机房出口处出现丢包，确认是上游线路异常，随即把流量切换到备用线路，十几分钟后探测恢复。事后，时间线和根因被记录下来，并与上游核对。这个过程，大致对应下面五步。
第一件事是缩小范围：是一台还是多台，是一个地区还是全部，是某家运营商还是所有用户。同时查看最近有没有变更，比如配置调整、系统升级、线路割接，相当一部分故障与最近的改动有关。
几个简单的判断方式很有用。控制台远程连接能进入系统、外网却访问不了，问题多半在网络或防火墙；远程连接也是黑屏或者无响应，要往系统崩溃或硬件故障上想；同一宿主机上的多个实例同时异常，宿主机的可能性就很大。
隔离是为了防止故障扩大，比如把异常节点摘出集群、封禁攻击来源、把实例迁移到其他宿主机。修复则针对根因，换掉故障硬件、回滚有问题的变更、重启异常服务。资源切换是在修复需要时间的情况下，先让业务跑起来，例如切换线路、启用备机、从备份恢复数据。
能ping通不等于恢复了。验证应当覆盖业务层面：登录、下单、支付这些关键流程是否正常，数据是否完整，监控曲线是否回到正常水平，并观察一段时间，确认不会再次复发。
复盘通常包含时间线、根因、影响范围和改进措施。对企业用户来说，重大故障之后向服务商索取一份书面说明，是合理的要求，也是判断对方是否认真对待稳定性的一个窗口。
下面六项值得逐条核实，每一项都尽量落到书面材料或可以验证的动作上：
1. 是否提供明确的网络可用性承诺。承诺的数字是多少，按月还是按年统计，未达标时如何赔偿，都要看清。只有宣传语、没有书面承诺的“高可用”，不能作为依据。
2. 是否具备运行状态监控。登录控制台，看有没有CPU、内存、磁盘、网络的监控曲线，能不能设置告警。
3. 是否有明确的故障响应流程。工单渠道、紧急联系方式、响应时限、问题升级路径是否写明，夜间和节假日有没有安排。
4. 是否提供数据备份及恢复产品。备份频率、保留周期、恢复方式、是否收费，最好在测试环境实际恢复一次。
5. 是否有网络或硬件故障处理机制。线路故障时能否切换，硬件故障时备件和迁移方案是什么。
6. 是否说明服务可用性的统计口径及免责条件。哪些情形不计入不可用时间，比如计划内维护、用户自身操作、攻击超过防护阈值、不可抗力；从什么时候开始计时；赔偿如何申请。
如果服务商愿意提供历史故障说明或者状态公告，也是加分项，说明它对问题不回避。
恒讯科技云服务器产品有资源监控、控制台管理、BGP网络、存储技术和安全防护等功能。下面按这几个方面说明，需要先交代一点：这些描述主要针对云服务器产品，物理服务器、服务器托管等产品的服务范围并不完全相同，选购时要分开看。
云服务器产品采用BGP线路，标注为多运营商覆盖，并提到线路自身具有容灾性。云服务器页面列出的节点包括北京、辽宁、江苏、香港、广东，海外地区的服务器可在对应产品页查看。香港服务器方面，官网介绍机房有CN2、电讯盈科、香港宽频、国际带宽等多条线路，可以按用户所在网络和业务类型选择。
管理方式上，云服务器提供Web控制台、远程终端和API，可以开通、关闭、重启、升级服务器；控制台提供CPU、内存、硬盘I/O的实时监控和报表，用户随时能看到服务器的运行情况。另有云监控服务，用于资源预警。这些功能的实际价值，在于业务出现异常时，用户自己能先判断是资源吃紧，还是别的原因，不用事事等工单。
物理服务器方面，香港服务器页介绍了一体化监控，用于实时检测运行状态并反馈信息，大部分机房支持一键重启和重装；香港高防服务器页面则提到实时监控报警系统，以及监控中心和维护人员的7×24小时值守。官网还称数据中心按T3+标准建设，这属于官网自己的表述，具体机房的设施情况，也建议在购买前向顾问确认。
云服务器产品页提到采用自带硬防的节点，部分节点免费提供20G防御，防御峰值可达300G，用于抵御DDoS、CC等攻击；安全服务方面，列出了DDoS防护、DNS劫持检测、入侵检测、漏洞扫描、网页木马检测、登录防护等。防御额度因节点和产品而异，比如香港高防服务器标注的是50G防护，业务容易遭受攻击的，应当按攻击规模选择对应产品，并在购买前确认攻击超过防护阈值后的处理方式。另有SSL证书等配套产品。
云服务器采用纯SSD架构和三层存储技术：缓存层、沉淀层、备份层分别负责数据的处理、缓存和灾备，三层之间实时同步，页面标注数据安全性99.999%、高可用性99.99%。此外还有跨机房热迁移功能，页面称可在约5分钟内把数据从一个机房迁移到另一个机房。物理服务器则是整机独享硬件，数据保护取决于所选配置，是否做了RAID、有没有备份方案，需要在购买时向顾问确认，云服务器页面描述的三层存储不能直接套用到物理服务器上。无论哪种产品，重要数据都建议另外做一份独立的异机或异地备份。
折算下来，99.99%意味着一年中允许的不可用时间约为52分钟，平均每个月约4分钟；99.9%则是一年约8.8小时；99.999%一年只有约5分钟。数字越高，对基础设施的要求越高。但数字本身不够，还要看统计口径：什么情况算不可用，连续多长时间才计入，计划内维护、用户自身原因、攻击超出防护阈值是否排除，未达标如何赔偿。另外，可用性和数据持久性是两个指标，前者衡量服务能不能用，后者衡量数据会不会丢，不要混在一起看。具体口径以服务协议为准。
网络通了，不代表应用能用。服务商保障的主要是机房、网络和资源层面的稳定，应用层的稳定，包括代码质量、数据库配置、依赖的第三方服务，要靠用户自己。一个典型的例子：应用存在内存泄漏，每隔几天进程就会崩溃，这时服务器、网络的监控全是绿色，业务却已经中断。所以应用层需要自己的监控，比如端口探测、页面状态检测和关键业务指标的告警。
要看具体产品和套餐，不能默认。恒讯云服务器页面介绍的三层存储中包含备份层，但备份的频率、保留周期、恢复方式，以及能否用来恢复被误删的数据，需要向服务商确认，不宜把平台层面的数据保护直接等同于自己的业务备份。物理服务器通常需要用户自己规划备份方案。比较稳妥的做法，是对重要数据另外做定期备份，并把备份存放在不同的设备或机房。
取决于故障类型，没法给出一个统一的数字。实例层面的异常重启，几分钟就能解决；宿主机故障要靠迁移，时间取决于平台的能力；物理服务器硬件损坏，要看备件和更换流程；线路故障则取决于上游运营商的处理速度。比起追问“多久能恢复”，不如先明确业务能接受的中断时间，再向服务商了解响应时限、处理流程和以往类似故障的处理记录，并把关键承诺写进服务协议。
取决于业务中断一小时的代价。算一笔账：停机一小时，损失多少收入，影响多少客户，再与灾备的投入对比。交易、订单这类核心业务，建议至少有异机或异地的备份，以及能快速拉起的恢复方案；对于普通展示型网站，定期备份加上可以快速重建的环境，通常也就够了。灾备也分层次，冷备成本低、恢复慢，温备和热备成本高、恢复快，按业务重要性选择即可。多节点部署的企业，可以把备份放到不同地区的节点上，这也是服务商提供多地区资源的价值所在。
Copyright © 2013-2020. All Rights Reserved. 恒讯科技 深圳市恒讯科技有限公司 粤ICP备20052954号 IDC证：B1-20230800.移动站
