15、云环境下复杂系统的可靠性保障策略

云环境下复杂系统的可靠性保障策略

1 风险类型解析

在系统管理中，存在不同类型的风险，了解它们有助于我们更好地应对挑战。
- 未知已知风险 ：这类风险是我们没有意识到，但能够理解的。例如偏见、直觉和无意识的决策。就像我们知道所有公司都有漏洞，但可能会忽略自己部门的问题。在科技领域，可能是某个员工或团队做出未经批准的决策，最终导致灾难性后果。
- 未知未知风险 ：这是最难应对的风险，它们完全出乎我们的意料，我们既无法预见也难以理解。比如电影《独立日》中，外星飞船突然来袭就是未知未知风险。在云环境中，新冠疫情导致的供应链连锁中断就属于此类。当硬件具有不可变和弹性特性，软件分布式部署时，遇到新的未知未知风险的可能性更大，而传统的监控工具对此作用有限。

2 可观测性

可观测性源于控制理论，它衡量的是能否通过系统的外部输出推断其内部状态。简单来说，如果能通过观察系统外部来了解内部情况，就具备了可观测性。

2.1 案例分析

以食品行业的 Scrumptious 公司为例，该公司原本是行业顶级品牌，但在新冠疫情冲击下，由于未及时采用数字策略，被竞争对手超越。于是，公司聘请数字机构打造新网站，新网站在前期测试和客户反馈中表现良好，媒体关注也带来了大量流量，运营团队也做了充分准备。然而，网站上线后却出现了问题，部分功能运行缓慢甚至超时，客户难以进行外卖下单。经过排查，发现是部分地区的外部 API 因流量过大响应缓慢，但由于 API 返回成功代码，监控系统显示一切正常。

2.2 解决方案：仪器化

Scrumptio