云服务大规模中断，凸显多区域与多供应商托管的必要性
三月初，云托管行业再一次被提醒：即便是规模最大的平台，也无法对中断免疫。
近期一次影响 Amazon Web Services（AWS） 基础设施的重大故障，导致多个区域和多个平台的服务中断。该事件波及数十项服务，并在数个大洲引发了 SaaS 平台、人工智能系统和企业基础设施的可用性问题。 1
这种规模的中断并不常见，但它已经在整个托管行业重新引发了关于冗余、区域分布以及过度依赖单一云供应商风险的讨论。
事情经过
事件起于 AWS 位于中东的数据中心区域出现基础设施故障，随后层层扩散为更大范围的服务问题，影响到 AWS 生态系统的其他部分。据报道，超过 80 项 AWS 服务出现中断，从虚拟桌面基础设施到大型 SaaS 平台均受波及。 1
由于大量互联网服务把 AWS 当作主要的基础设施供应商，这次中断很快越出了受影响的区域。由于全球云服务彼此交织，连身处数千公里之外的机构也报告了故障。 1
在若干情形中，人工智能平台、数据分析服务和托管应用在系统恢复期间一度无法访问。
一个正在扩大的趋势：基础设施可靠性面临挑战
这次 AWS 故障发生在互联网基础设施可靠性承压加剧的时期。近期的网络健康报告显示：
- 在部分统计周期内，全球互联网服务商的中断次数几乎翻了一倍
- 若干区域的公有云中断数量逐周上升
- 对集中式基础设施的依赖仍在快速加深 2
与此同时，人工智能负载和大规模数据处理推动算力需求急剧上升。不断加重的负载促使云供应商迅速扩建基础设施，有时也给全球网络带来额外的复杂度和风险。 3
这对托管客户意味着什么
对于在生产环境中运行服务的企业和开发者来说，教训并不是云平台不可靠，而是架构比以往任何时候都更重要。
越来越多的机构开始采用这样的做法：
- 多区域部署
- 跨多个供应商的基础设施
- 混合云与私有托管相结合
- 跨数据中心的地理冗余
这些做法有助于在某一家供应商出问题时，服务依然可用。
独立托管服务商的角色
此类事件凸显了独立托管服务商和中小型基础设施运营商的重要作用。
超大规模云提供庞大的弹性扩展能力，而独立服务商往往带来另一些优势：
- 更灵活的基础设施设计
- 定制化的路由与网络工程
- 专属资源，而非共享的超大规模环境
- 对地理冗余更强的掌控
对许多机构而言，把云平台与传统托管基础设施结合起来，能在扩展性和韧性之间取得最佳平衡。
接下来会怎样
在人工智能、SaaS 平台和全球数字化转型的推动下，云行业仍在快速增长。但随着基础设施日益集中，可靠性与冗余仍将是关键的工程难题。
近期的中断提醒我们：韧性必须内建于系统架构之中，而不能想当然地寄望于任何一家供应商。
无论是开发者、初创公司还是大型企业，托管的未来大概都会是云平台、区域性服务商与分布式基础设施的组合，并被设计成足以承受大规模故障。
资料来源：