在数据中心大谈云化，众多厂家“无云不宣”的时候，人们却发现：理论上更加安全、更加可靠、更加便捷的Cloud DC们，却似乎变得更加脆弱了。除了服务器宕机，断网、断电等事故也时有发生，连挖土机都有可能挖断光缆。当一朵朵“云”在天上飘的时候，背后的那根“安全线”也比任何时候更加不容忽视。
2017年3月22日，青云（QingCloud）因北京2区（PEK 2）数据中心电力故障引发部分网关设备及计算节点重启，目前故障虽然已经排除，但也造成了不小的影响。
近年来，大家频繁听到云数据中心因异常导致业务中断的事情发生，在数字化的现代社会，数据中心的可靠性如果稍稍动摇，其造成的影响如同蝴蝶效应，不可避免会波及终端客户的正常运营和影响自身声誉。因而每一次故障的发生不仅仅需要事故方自检排查，更需要整个行业一起反思，从中获益。虽然官方没有给出确切的故障原因，本文将参照青云事后发布的故障报告，大致分析故障原因，并以此为契机，给出一些思考与建议。
据青云官方称：具体故障发生过程为，该数据中心需要对A组UPS进行定期离线维护作业所以将负载从A路UPS整体切换到B路UPS，但是3个小时之后B路电源UPS出现单台机组报故障，随后整组UPS过载。1分钟后B路UPS在进行内部旁路切换时报警显示不能进行切换，紧接着UPS就陷入异常状态。大约36分钟后UPS系统恢复正常状态后将报警还原时，电源产生了瞬断现象。将近2个小时之后为了原因调查，UPS被完全隔离。
虽然目前还没有正式的分析报告出来，但是从报告中我们还是可以管中窥豹，从中看出一些问题。
一、传统塔式UPS离线维护风险大。在发生故障的第一环节是离线维护引起的，研究表明有50%~60%的数据中心的停机都是由人为错误引起的，这与塔式UPS结构息息相关。
传统塔式UPS是一个整体，其内部系统复杂，UPS出了故障后，问题的定位和维修是很大的工程量，并且需要专家到现场才能定位、维修，且这个过程是离线的，此时UPS系统工作在维修旁路，这就意味着，当市电中断时，如果单机供电，负载将直接中断。
二、传统塔式UPS维护时间长。上文已经提到，塔式UPS的维护往往是个专业过程，维护工作量大，一般维护时间常常是数小时甚至数十小时，这就加大了业务中断的风险。
三、青云所用的UPS本身可靠性设计令人担忧。从报告中看 “B路电源UPS出现单台机组报故障，随后整组UPS过载。1分钟后B路UPS在进行内部旁路切换时报警显示不能进行切换，紧接着UPS就陷入异常状态。大约36分钟后UPS系统恢复正常状态后将报警还原时，电源产生了瞬断现象。”这段描述性文字可以看出，青云所用UPS在过载状态下，主旁切换逻辑出现重大问题，本身可靠性设计堪忧。
UPS发展至今，传统塔式UPS低可用性已经无法跟上数据中心IT设施的发展速度，要提升可用性，缩短故障维护时间，模块化UPS是唯一方向。模块可热插拔是所有UPS厂家对模块化UPS的基本要求，故障时通过热插拔更换模块，5分钟即可完成在线维护，这与传统塔式UPS动辄8小时以上的离线维护时间相比，是个巨大的提升，当然在线与离线相比，对负载的重要性也不言而喻；部分厂家甚至将静态旁路、控制模块等等都做了热插拔设计，进一步提升系统可用性。
此外，传统塔机单点故障多，单点故障，常常引起整个系统中断，相比而言模块化UPS关键节点可以通过冗余设计提升可靠性，在整个系统运行时，负载率一般会低于50%，此时多个模块故障，仍然可以保证UPS正常带载，直接规避了上文所说的过载问题。
最后，用户在使用UPS，进行招标时，对于UPS可靠性的要求应该更加严格，严格的标准才能大浪淘沙，让真正可靠的UPS脱颖而出，为更多的用户谋福利。
从近年来的集采可以看出，模块化UPS所占比例节节攀升，逐步成为集采主流机型，这也从侧面印证了市场趋势，从业务出发，客户也不愿意使用维修困难的UPS，正在追求更高可用性的UPS。
UPS作为电力守护者，为各个行业的关键负责设备提供稳定、不间断的电力供应。从近几年的市场表现来看，模块化UPS的可靠性正在逐步被行业认可。相对于传统的高频塔式UPS，模块化UPS可以不断电维护，单模块故障不影响系统运行，高效节能等特性更符合数据中心应用。
专注于数据中心基础设施运维管理，分享运行维护经验，分享数据中心行业发展趋势及新技术应用。
联系小编：wj2012bj
QQ交流群： 108888484
投稿邮箱：[email protected]
▲长按二维码"识别"关注
