为什么说云主机比物理机故障率更低?
作者介绍
邱模炯
UCloud 平台开发中心总监，北京大学计算机系研究生毕业，擅长操作系统、虚拟化和数据中心自动化等云平台的基础技术。
引言
很多朋友对云平台可用性有所担心，认为用物理机更加放心。今天我想就这个话题抛出个人看法。希望对大家有参考意义。先抛出结论：
从业务程序的角度，云主机的可用性可以做到比物理机高，即故障率更低(可用性和故障率接近但不是一个概念，为了便于阐述，下面只讨论故障率)。
我见过很多客户抱怨云主机的故障率。同时，我也见过并且帮好几个使用物理机的客户解决问题：
他们没有专业团队及大规模环境，对于复杂点的软硬件故障几乎束手无策，有时甚至解决的过程把小问题变成大问题。
这也是我今天分享这个话题的动力。下面进入正题，下图是云主机和物理机软硬件层次对比：
影响云主机故障率的主要因素有：
- 服务器硬件质量
- 宿主机内核
- 虚拟化层(KVM+QEMU或Xen)
- Linux内核(承载业务程序)
影响物理机故障率的主要因素有：
- 服务器硬件质量
- Linux 内核(承载业务程序)
从上面的对比看，云主机比物理机故障率貌似要高，因为虚拟化层和宿主机内核非常复杂，引入额外的故障率。这是直觉，而且很有道理：
AWS 去年就因为虚拟化层内核的安全漏洞大规模重启了物理机，多数AWS 用户受影响。虚拟化层和宿主机内核的BUG 也会同样造成宕机及重启。
那为什么还说云主机故障率可以低于物理机呢?
备注：这里我是从终端用户的角度看的，“从厂商购买的”物理机，来对比“从云平台购买的”云主机。
原因在于：简单来说，云平台厂商往往管理几万几十万台物理服务器，并有比较专业的基础运维团队和内核团队，可以在故障率上做大量的工作，以达成这样的效果：
- 虚拟化层和宿主机内核的故障率接近0。这两层是内核，通过内核优化来达到;
- 服务器硬件质量可以不断提升;
- 承载业务程序的Linux内核，云平台可以帮助用户进行维护。并解决BUG，修复安全漏洞等。
有人会说，我自己购买的物理机也能做上述优化，效果比云主机更好。 真的是这样的么?现实情况是：
绝大部分公司管理的服务器数量不多，不足以建立相应的团队;同时因为服务器数量少(比如不到万台)，做软硬件优化的环境不理想。
下面就上述要点展开。
虚拟化层和宿主机内核的故障率如何降低?
这主要通过自主掌控虚拟化层和宿主机内核，这整套内核来实现。
1. 自主维护Linux内核
商业Linux发行版(如RHEL6.X)的内核其实有不少BUG，因为内核太庞大、太复杂，BUG 修之不尽而且不断涌现，只要内核有人在改动，更多的BUG就还在路上。
但我们自己维护的Linux内核，我们可以迅速修复并应用进实际环境，不像商业Linux要等待较长的发布周期。
我们还可以预先研究别人犯过的错误，把更新补丁打入现在的内核;还可以屏蔽不必要的特性和改动避免BUG的引入。
简单讲，自主维护内核很灵活，最终质量不低于商业Linux发行版。国内有海量服务器的公司如腾讯和阿里都运行自主维护的Linux内核。
2. 免重启热补丁技术
这是指通过二进制指令修改的方式修改Linux内核达到修复的目的。
结合自主维护Linux内核，如果发现了BUG并制作修复补丁后，可以免重启应用到生产环境的Linux内核里。
这点目前主流Linux厂商不提供。但云平台厂商可以自己做。
3. 热迁移技术
特殊情况下的热迁移，可规避尚未完全定位的内核问题。
这三点的综合效果，使得某些云厂商，因为内核原因造成的宕机低到可以忽略。几万台服务器半年可以减少到一两次。
可能有些早期用户应该比较有感觉，几年软件宕机不少，给客户推送的故障报告不时就和内核有关，但经过一年半载的工作后，现在几乎没有了。
服务器硬件质量如何提升?
服务器硬件故障率的影响因素有厂商品牌、机型、服务器运行时间、以及部件型号的故障率。
这里的工作需要海量服务器来做，比如上万台才有意义，而几百上千台意义不大。
这里有一张图，体现我们可以主动采取部分措施。
1. 服务器故障率和厂商机型关系密切
我们可以监控各厂商机型的故障率，主动下架比较差的，从而提升总体质量。
一般来说，小厂的服务器故障率会高一些，但大厂即使DELL、联想的个别机型也会有较高故障率。
这主要和机型设计和生产质量管控有关，就不阐述了。我们能做的是选择故障率低的厂商和机型。
2. 服务器运行时间久了，故障率会随之提升
对于云平台厂商，可以监控这一切故障发生前的征兆，并主动采取措施，通过热迁移手段避免云主机受影响。
3. 硬件宕机和部件缺陷关系很大
我们的统计发现，部件种类里，硬盘故障故障率最高，其次内存硬件、RAID卡等。
对于硬盘故障，可以通过RAID方式规避。对于内存硬件，可以通过内存故障隔离等内核手段，大幅度减少其硬件故障造成的宕机及影响。
总的来讲，通过上述这些工作，云平台厂商可以让服务器硬件故障率逐步降低。其实，可以做的更多，篇幅原因就不讲了。而这样的工作，对于没有海量环境的公司是很难做的，效果也不佳。
另外，云平台厂商可以替用户修复云主机内核的BUG和安全漏洞，降低内核故障率。
我们在这方面做了一些工作，内核版本会及时更新，关键漏洞会提供免重启热补丁修复包。
观点总结
简要总结一下本文的主要观点：
- 云主机相比物理机，虚拟化层和宿主机内核的额外复杂性及故障率可以被优化至接近0即可以忽略。
- 服务器硬件故障，云平台可以不断降低其故障率，主要手段通过内核隔离硬件故障、热迁移规避故障隐患，以及监控故障率并主动下架不良厂商机型等。
上述这些工作都需要非常专业的运维团队和内核团队才能实施，如果没有足够大的服务器数量是很难开展的。
而大型云厂商往往管理几万、几十万服务器，因此具备这样的条件。也因此，云主机故障率能低于物理机(当然，如果什么都不做，云主机故障率一定是高于物理机的)。
如何一起愉快地发展
“高效运维”公众号(如下二维码)值得您的关注，作为高效运维系列微信群的唯一官方公众号，每周发表多篇干货满满的原创好文：来自于系列群的讨论精华、运维讲坛线上精彩分享及群友原创。“高效运维”也是互联网专栏《高效运维最佳实践》及运维2.0官方公众号。
提示：目前高效运维两个微信主群仅有少量珍贵席位，如您愿意，可添加萧田国个人微信号 xiaotianguo 为好友，进行申请;或申请加入技术交流群(技术讨论为主，没主群那么多规矩，更热闹)。
重要提示：除非事先获得授权，请在本公众号发布2天后，才能转载本文。尊重知识，请必须全文转载，并包括本行及如下二维码。