让公有云服务“宁安如梦”的“定心丸”在哪里？

电视剧《宁安如梦》正在热播中，该剧讲述了主人公在经历人生的重大风险后，重获新生再活一遍，以确定性的方式抵御和化解原有的重大风险。然而，在现实的生活中，却没有这样的重来机会。

2023 年 11 月 13 日，Gartner 发布了 2024 全球最终用户公有云支出预测，预计 2024 年将增长 20.4%达 6788 亿美元。“云已经必不可少”， Gartner 分析师认为。但同时，公有云的安全高可用，却成为企业数字化转型的高风险事件。

2023 年，一方面是大模型和生成式 AI 加速了上云进程，另一方面是公有云宕机事件频出而凸显基础质量问题。2023 年是公有云第 17 个年头，公有云也已经渡过了市场炒作高峰期而进入了主流，Gartner 曾预计到 2025 年全球 50%的企业应用将迁移到主流公有云上，但也将带来“云集中”风险——一旦单个云服务商出现故障，将导致业务发生严重中断。

从 2023 年来看，单个云服务商出现重大故障事件，已经影响了市场对公有云可靠性和安全性的信心。例如，2023 年 11 月 8 日，澳大利亚电信运营商 Optus 的一次故障事件导致澳大利亚 40% 的人口超过 12 个小时无法正常上网，11 月 12 日阿里云发生严重故障，导致阿里巴巴大量产品无法连接，除了阿里系几乎全线产品出现故障外，整数云、理工小蜜蜂、饿乐送、cool easy、IOTTEC、纳思云、语雀等平台均受到影响。

随着越来越多的企业上云，从上 IaaS 到上 PaaS 和 SaaS，公有云服务商面临着硬件、软件和服务的多重安全与高可用挑战。

不过，总体来说，公有云出现大面积问题的概率依然很低，公有云仍然是数字化转型的基础设施。而企业上云，特别是大规模核心业务上云的企业，要做好多云战略，选择多个云计算服务商，合理分配资源，做好冗余灾备。那么，如何选一家稳定可靠的云服务商？

搭建稳定可靠的运维体系成为云厂商“必修课”

当前，公有云服务商的规模不断扩大，企业上云进程不断深化，从“业务上云”迈向“深度用云”已经成为行业共识。根据 Gartner 的 2022～2024 全球最终用户公有云支出数据及预测，PaaS、SaaS、BPaaS 和 DaaS 等支出占公有云支出的 75%，其中 PaaS、BPaaS 和 DaaS 支出占了近 40%。也就是说，越来越多的企业用户直接在公有云上开发和部署应用。

对于公有云服务商来说，IT 运维正在面临着颠覆性的变化，正从保障设备稳定的防守型运维转向支撑业务敏捷的进攻型运维，从关注自身平台转向关注客户应用，这个转型的过程对公有云服务商提出了艰巨挑战，特别是当越来越多的政企客户将自身的业务直接连入公有云平台时，如何从硬件、软件和服务等维度，既保证客户业务的快速迭代又保证业务的安全稳定高可用，这是公有云服务商生存和发展的根本。

以华为云为例，过去几年的高速发展，业务量上千倍的增长，经历了从“慢”向“快”的转变，运维如何经受考验？这个过程中也经历了深刻变革。华为云基于 ITIL 标准，打造标准化运维管理体系，引入 SRE 文化，构建 SRE 确定性运维体系，同时实施高可用架构与方案，引入动态风险治理，以及不断探索 AIOps 智能运维。

华为云从 2017 年开始实践 SRE，目前已经成为国内最大的 SRE 团队之一。本质上，SRE 是用软件工程的思维和方法解决复杂的运维问题，从被动响应为主，演进为构建主动预防式运维的软件工程能力为主。在实践积累的基础上，华为云 SRE 提出了“确定性运维”理念，即通过一套完备的工程方法，以华为云 SRE 的高可用架构设计、动态风险治理和高度智能的运维框架，让现网拥有确定性的质量结果，支撑高质量运维实现。

高可用架构是华为云 SRE 的一大亮点，高可用架构让华为云服务的软件在前端就具备高可靠、高可用的能力，具有确定性的失效率、确定性的恢复时长结束、确定性的爆炸半径。从 2017 年起，华为云 SRE 团队积极介入到云服务的开发前端，将后端的运维经验和运维诉求带到前端的开发设计过程中，使得现网在出现非预期的故障时，通过提前预埋的可恢复性和爆炸半径控制能力，迅速隔离影响，实现即时恢复。

此外，华为云高度重视数据中心灾备性能，提供同城 AZ （Availability Zone）内、跨 AZ、异地跨 Region 的两地三中心容灾方案和 1000 公里以上的城市级容灾能力，支持流式容灾，保障业务平稳运行，避免单点、多点故障造成客户业务停顿。

京东云则通过混沌工程理论，结合多年稳定性治理经验入手，建成京东云云泰稳定性主动管理平台。实现主动发现和治理业务连续性风险，提供一站式可见、可查、可管、可控的治理方案，力求做到先于用户发现问题、先于感知修复问题，为云平台稳定、云上业务稳定提供商业服务的可用性从 99.975%提升为 99.995%。

可用性的扎实内功，才是云客户的“定心丸”

趣丸科技是一家集兴趣社交、电子竞技、人工智能于一体的创新型科技企业。华为云承载趣丸 70%以上的 IT 业务运行，包含计算、存储和网络等基础底座，业务运行还使用了华为云大量的数据库、中间件等高级服务，华为云为趣丸核心业务的高可靠、高稳定运行提供 7*24 保驾护航。

更进一步，华为云基于确定性运维实践，帮助趣丸在大模型时代下，应对业务上云后的安全可信、稳定可靠、资源高效、业务敏捷等挑战，进一步探索 LLMOps 等，加速企业高质量增长，让运维成为智能世界变革的加速器，推动趣丸科技的用户粘性不断增强。

服务所有“华为”品牌的各类终端的华为终端云更为典型。作为华为云的最大内部客户之一，华为终端云从 2017 年开始全面上云。华为终端云业务承载了全球十亿级用户，业务场景越来越多，运维场景也越来越复杂。通过建设 SRE 能力，华为终端云全球三个运维中心有效协同，保障连续 5 年业务可用性 SLA 99.99%，达成无重大连续性和安全事故的挑战目标。

在汽车行业，数字化转型是一个复杂过程，需要解决业务系统庞大、业务系统应用多、分布广、跨系统、跨区域、跨应用的调用频繁等问题，业务所用的系统由成百上千个应用服务组成，服务之间的关系错综复杂。华为云通过应用运维管理服务（AOM）、云日志服务（LTS）、应用性能管理服务（APM）等服务，实现全链路管理，提高运维效率，帮助汽车业务应用系统稳定运行，提升用户体验。

“让稳定可靠成为华为云核心竞争力”，这条横幅挂在松山湖华为云运维中心最醒目的位置，华为云提出的“一切皆服务”之“根”是质量和平台的稳定性。华为公有云业务总裁高江海曾表示，唯有时刻保持敬畏之心，才能真正服务好客户、有质量地“活下去”。

这或许也是所有云厂商未来最核心的竞争力之一。