IDC观察室 | 卓越运营，为数据中心保驾护航

引言：

在本文中，我们将针对数据中心的运营方案进行分享。卓越运营的数据中心能够持续高效地，避免业务中断情况的发生。通过卓越运营，我们能够最大程度地减少人为错误，从而确保数据中心的稳定性和可靠性，为企业的数字化转型提供坚实后盾。

数据中心故障问题，谁来买单？

在当今数字化的时代，数据中心已成为企业和组织的重要基础设施。它们存储、处理和保护着大量的数据，为各种应用程序和服务提供支持。然而，运营数据中心的过程中也面临着许多挑战，如宕机问题。

宕机[BZ1] 不仅会导致业务中断，造成经济损失，还可能进一步损害企业的声誉。据Uptime Institute今年的最新调查显示，全球每年平均发生 10 到 20 起重大的数据中心故障事件，造成严重的经济、声誉损失，数据中心中断成本高昂，超过半数的运营商受访者表示最近一次严重停机的成本甚至超过10 万美元。[1]

因此，避免中断是关键任务数字基础设施运营商的优先选项，卓越运营的重要性也逐渐凸显。通过卓越经营，数据中心可以实现高效、可靠、安全的运行，为运营商提供稳定的数字基础设施支持，节约运营成本并提升经济效益。

为了尽可能地避免中断，专家们竭尽全力在保证数据中心在运行各环节的卓越性，以提高数据中心的韧性，包括采用不间断电源系统（UPS）作为电力备份，电力备份在主电源出现故障时，确保设备能够获得持续供电，从而保护数据中心不受电力中断影响；采用多样化的光纤布线，通过备用路径和冗余连接，确保在光缆被切断的情况下，数据仍能够稳定传输，提高网络连通性和可用性；增加备用发电机作为数据中心的备用电源，从而在主电源供电出现故障时启动，持续为数据中心提供电力；采用冗余服务器设计，可以在主服务器发生故障时立即接管工作，从而实现无缝的服务切换。

这些设计在很大程度上保证数据中心在面临电力故障、网络中断或硬件故障时保持高度的可用性和韧性，使得数据中心能够持续、可靠地为用户提供服务。

然而，不断优化的设计也并不能完全避免数据中心中断。研究公司 Uptime Institute 《2023 年度故障分析》报告显示，人为错误是造成数据中心故障的主要原因之一。事实上，人为错误在所有停机事件中占很大比例。虽然数据中心故障似乎在减少，但故障成本却在持续上升。[2]

人为操作不当，让数据中心防不胜防

数据中心通常拥有大量的服务器、存储设备、网络设备等硬件设施，需要人工监控、配置和维护，以确保其正常运行和高效利用。

由于这些设备的规模之大和本身的复杂性，使得导致停机的人为错误似乎在所难免：人为的网络、服务器或存储设备配置错误；人为的设备操作失误，如意外关闭重要设备或执行不当的维护；人为因素导致的不恰当的软件更新或补丁管理；人为操作上的疏忽可能带来安全漏洞等问题。

作为数据中心的管理者和维护者，运营商承担着确保数据中心设备和配套基础设施正常运行的重要责任，同时防止由于维护或配置错误导致的停机。这意味数据中心需要实时监控设备状态，及时发现和解决潜在问题；科学维护配套基础设施，对冷却器和供电系统等关键设施进行定期检查和维护；做好变更管理，建立遵循标准操作程序，确保任何维护工作都得到完善的规划、测试和验证，而不会因维护或配置错误而导致设备停止工作。

Uptime Institute在《2023年年度停机分析》报告中还指出，人为错误相关的中断大多与工作人员未能遵循程序，或程序本身有错误造成的。[3]在2019年到2022年的全球年度调查中，大多数管理者和运营商表示，如果有更好的管理和流程，他们本可以避免停机[BZ2] [AL3] 带来的影响。

卓越运营为保障业务连续性提交高分答卷

如此可见，实现运营卓越，减少人为错误，对于数据中心的稳定性至关重要。这意味着数据中心团队需要采取一系列措施，例如主动监控、人才储备和外部认证，最大程度地降低人为错误导致的停机事件发生的可能性，从而确保数据中心持续、稳定、高效运行。

下面，分别介绍一下主动监控、人才储备和外部认证这三个主要措施对于数据中心卓越运营的重要性：

主动监控：数据中心需要建立全面的主动监控系统，通过实时监测网络、电力供应、温度、湿度和安全等关键参数，以确保数据中心的系统稳定运行。这有助于提前发现潜在问题并采取预防性措施，从而最大程度地降低因故障而造成的影响。当前，在大语言模型、人工智能高速发展的背景下，还可以适当引入人工智能技术的相关功能，进一步提升监控系统的自动化和智能化。

人才储备：拥有合格的人员并为其提供持续的培训和发展机会是确保数据中心高效运营的重要因素。数据中心需要充足的专业人才来维护和管理设施，因此需要科学匹配运营团队的人才结构，保证运营团队的人才数量和专业水平，以应对日益复杂的技术挑战。Uptime Institute在《2023年年度停机分析》报告中，提出良好的培训和经过深思熟虑和演练的流程，在减少停电方面发挥着关键作用，并且可以最大限度的节省成本。

外部认证：通过获取相关行业的认证，如Uptime Institue设计、建设和运维三阶段认证等，数据中心业务的合规性、可靠性和安全性可以得到客观和有权威的证明。更为重要的是，外部认证评估通常涉及制度、流程、控制、安全措施和故障恢复能力等方面的审查，有助于数据中心发现和纠正存在的问题或潜在的风险，从而建立高效的管理体系，提高风险感知能力，及早发现并解决潜在问题，降低潜在的运营风险。

朝亚从主动监控、人才培训和外部认证三管齐下实现卓越运营。朝亚多元化的运营团队由来自多个全球科技公司和公共云巨头的数据中心专家共同组成，能够为客户提供同城和异地的服务支持，并且在数据安全、服务可靠、响应及时都实现了理想的运维评价，赢得了客户的青睐与好评。在朝亚打造的360度集中管理系统中，通过智能化管理，数据中心的运营情况可以被实时监测，运营效率提升了15%。该系统更获得了国内业界和客户对朝亚产品和服务的高度认可：在第十一届数据中心标准大会上，该系统荣膺由科技部国家科学技术奖励办公室批准，中国工程建设标准化协会颁发的“数据中心成果奖”。朝亚天津园区的客户也在其发来的感谢信中表示, “朝亚卓越的运维服务既可以满足我们对于安全、可靠的高要求，又具备敏捷、灵活的运营优势，帮助我们实现了运营两年0故障，甚至可以抢先一步感知到我们的需求，令人感到惊喜。”

卓越的运营是数据中心提升运营效率和服务质量、降低成本、增强竞争力和实现可持续发展的重要手段，它可以提高个人的能力、团队合作和创新精神，确保数据中心的安全和稳定，更好地应对不断变化的安全威胁和运营挑战，为数智化发展提供坚实的支持。