结论先行:「一块刀片坏了只影响一个用户」这句话成立,靠的是三个前提:每个人独占一台计算单元不共享、系统镜像和用户数据有独立的副本、硬件置换这个动作现场真的有人会做。这三条里缺一条,故障的影响面就会超出一个人。另外要清楚,刀片只是故障域的一部分——网络、存储、认证这些被所有桌面共用的部分,才是真正会牵动全体的地方。
本文只谈刀片级故障隔离成立的前提与验收方法,不谈算力和存储容量怎么规划,也不谈终端用户报障时先查哪一层。
为什么这句话在多数项目里只对了一半
刀片式架构与传统的虚拟化桌面相比,确实在故障影响面上有优势:每台计算单元是独立的硬件单元,操作系统和运行环境相互独立,一台出问题不会连带其他台。这一点在架构上是成立的。
但「因此只影响一个人」还需要两个条件补上:其一,这个人有没有专属的计算单元;其二,他的环境能不能在另一台单元上被还原出来。前者决定故障发生时影响几个人,后者决定影响多久。很多项目在架构上做到了前者,在流程上没做到后者,结果是故障影响一个人、但这个人的桌面两天没回来。
三个前提,逐条看
其一:一人一台,不共享
独占物理或准物理计算单元是这个架构的基础,资源不共享、不做超分,用户拿到的算力是稳定的。但现实中会出现两种变形:一是为了省刀片,让几个轻负载用户共用一台;二是在信创改造过渡期,把通用算力与信创算力放在同一个机箱里混插。
第二种做法本身是合理的,也确实能平滑过渡,但要意识到它改变了故障域的划分:同机箱内的供电、散热、背板是共享的。所以在做混部规划时,同机箱里放什么人是一个需要决定的事——如果一整个业务部门的人都集中在一个机箱里,机箱级故障就变成了部门级中断。
其二:环境和数据都有副本
刀片坏了,换一台新的不难;难的是把这个人原来那套环境在另一台单元上还原出来。这依赖两件东西:镜像和用户数据的定时备份,以及把镜像批量预制到新单元的能力。
验收这一条的方法不是看有没有备份功能,而是问三个具体问题:备份多久一次、存在哪、恢复一台需要多长时间。第三个问题是决定性的——恢复时间如果是以小时计,那么刀片故障对用户来说就是「一天没法干活」,架构上的隔离优势在体验上被抵消掉了。
其三:置换动作现场能执行
硬件置换是运维动作,不是产品功能。要问的是:坏件多久能到、换上去之后环境能不能直接继承、换的动作需不需要停机窗口、谁来做。如果备件要等原厂发货,前面两条做得再好也没用。
这也是为什么备件保障和本地服务半径会直接影响可用性设计的效果——同样一套隔离架构,备件在三小时能到和三天能到,实际影响面完全是两个量级。
它不解决什么:真正的故障域
刀片隔离得很干净,但一套桌面环境不只由刀片组成。下面这些部分是所有人共用的,它们出问题时影响的是全体:
| 部件 | 故障时的影响面 | 通常由谁负责 |
|---|---|---|
| 接入网关与网络链路 | 大面积无法登录,刀片再好也进不去 | 网络与管理平台侧 |
| 存储(镜像库与用户数据) | 已登录的用户可能无法读写,影响面取决于存储的冗余方式 | 存储侧 |
| 身份认证 | 所有人都认证不过,等于全体不可用 | 身份系统侧 |
| 管理平台 | 新建、置换、还原这些动作全部停摆,已运行的桌面多数不受影响 | 平台侧 |
这张表的意义在于:不要把「刀片级隔离」当成整体的高可用结论。它对单点故障有效,对共享部件无效。这两类风险要用不同的手段处理,验收时也要分开测。
验收怎么测:不用真砸机器
隔离性是可以被验证的,方法在测试环境里都能做:
- 在一台计算单元上制造非正常断电,观察其他用户是否受影响、这台的环境多久恢复;
- 把某台单元上的镜像与数据恢复到一个空单元上,计时;
- 断开接入侧的一个上行链路,观察登录是否受影响、已登录的会话是否中断;
- 把管理平台停掉,观察已运行的桌面是否继续可用、哪些运维动作失效。
这四项测完,得到的是四个影响面数字,而不是一句「支持高可用」。这四个数字才是在做方案评审时能和业务方对话的东西。
三个信号,说明隔离只写在方案里
- 问「恢复一台需要多久」时,得到的回答是「很快」,没有具体时长;
- 备件清单里有刀片,但没有同型号的备件存量或到货时效说明;
- 从上线到现在,没有做过任何一次故障演练,包括断电和置换。
深圳市奇摩计算机有限公司做的是服务这一头,在数据中心运维里长期处理的就是这类「架构上的隔离」和「现场上的恢复」之间的落差。经验是:隔离性是设计给的,可用性是流程和备件给的,两者都要在验收时拿到数字。交付时把恢复时长、演练记录、备件时效这三样一起交出去,比交一份架构图更让使用方安心。
