老板，你的数据中心挂了
瑞典马工约 5 分钟近半年业界发生了各种机房故障，带来的业务影响实在有点大，我觉得迷恋于构建数字世界的人们都应该重新审视自己的建设思维。
一、数字世界的底层----物理基础环境，并不如你想象的稳定
1、2022年9月16日下午4时，长沙42层电信大楼火灾，楼内电信机房断电，附近居民电信信号中断或闪断。
2、2022年12月18日，由于阿里云香港Region可用区C所在的电讯盈科机房冷却系统失效，包间温度逐渐升高，导致机房温度达到临界值触发消防系统喷淋，电源柜和多列机柜进水，服务器被动停机，机器硬件损坏，香港可用区C的ECS、EBS、OSS、RDS等云服务受影响。
3、2023年3月29日，广东省政务云东涌机房故障（路边社消息-发生火灾），导致广东省多政府部门公众号提醒：“因设备故障，今天服务暂停 ”
4、2023年3月29日凌晨，广州电信机房冷却系统故障，腾讯旗下的微信和QQ等业务曾出现崩溃状况，包括微信语音对话、朋友圈、微信支付，以及QQ文件传输、QQ空间和QQ邮箱在内的多个功能无法使用，故障持续时间数小时。
二、数字世界的自身，也不如你想象那样能包容一切错误
1、依赖忽略
根据已披露故障处理过程的2022年12月18日阿里云故障，“自定义镜像数据服务依赖可用区C的单AZ冗余版本的OSS服务”、“部分RDS实例依赖了部署在香港Region可用区C的代理服务”、“大量可用区C的客户在香港其他可用区新购ECS实例，从12月18日14:49开始，ECS管控服务触发限流，可用性最低跌至20%”的几个描述可知，各种潜在或被忽略的依赖导致故障影响面扩大，影响时间增长。而暂未揭露故障处理细节的政务云和腾讯云，根据其故障影响时间之长，影响服务类别之多，估计也存在各种未关注的依赖导致其影响面扩大。
2、时间不足
长沙电信机房、东涌机房的火灾断电，阿里云的喷水宕机，都可能造成数据的损坏，而这些损坏，数字世界是否能容纳，并通过切换完成服务的持续提供？
三、数字世界建设的反思
墨菲定律原话:If there are two or more ways to do something, and one of those ways can result in a catastrophe, then someone will do it.(如果有两种或两种以上的方式去做某件事情,而其中一种选择方式将导致灾难,则必定有人会作出这种选择。)
定律的根本内容就是“凡是可能出错的事有很大几率会出错”，作为数字世界建设者，不能将服务的可用性寄托在“不会有问题的”、“这种低概率事件怎么可能发生”的几率学，寄托在“我的设计没问题的”、“我们已经完全掌控”的盲目自信心，寄托在“风险可承受，ROI值得”的风险经济学上。毕竟发生几率是万一，但发生在你身上就一万了，君不见，阿里云故障后，组织架构调整了，腾讯云故障后，一堆高层被处罚了，而你，是否想成为那个“幸运儿”？
数字世界建设者，请保有敬畏之心，具体可参见我的上一篇公众号文章《担心成为时代的阻碍者，不如避免成为公司的掘坟者》。
4、举一反三、知识沉淀、全面落实
2、2010、2015腾讯电信机房也都出现过机房故障导致QQ等主要产品的服务异常。
那么大厂们是不是没有任何能力和经验去处理这些事呢？感觉也不是。因为在腾讯云的官网上，我们是能发现是曾经有详细的数据中心制冷系统处理案例分享的：
如果这个经验有在腾讯各机房落实到位，3月29日的腾讯故障是否能避免或者减少故障影响呢？我不得而知。
结语：数字世界的建造者为社会提供了各种美好的数字服务，希望能多底线思维、多关注底层基础、多关注自身高可用设计、多投入、多积累、多应急演练，最终构建更稳定、更好的数字服务。