Azure正常运行时间达99.995％，微软：这仍然不够

微软正在采取各种措施，将Azure的可靠性在此前透露的99.995％的平均时间运行水平上再做进一步的提高。对此，微软Azure首席技术官Mark Russinovich在7月15日的博客文章中介绍了一些举措。

他在博文中写道：“我不确定是什么促使了微软今天发布此消息。也许是碰巧赶上了微软的Inspire合作伙伴大会，或者也许是微软准备在本周开启销售？也许它与JEDI竞争有关？或者是因为新的财务年度开始？我不确定。”

Russinovich承认Azure在过去一年中受到“三个重大事件”的影响，包括2018年9月美国中南部地区的数据中心停电；2018年11月背靠背Azure Active Directory多重身份验证问题以及今年5月的DNS维护问题。（ps：这并没有囊括过去一年Azure出现过的所有问题。在过去的12个月中，还有一些与Azure相关的事故发生，例如1月份的那次中断。）

Russinovich表示，微软已经在他的CTO办公室创建了一个新的质量工程团队，该团队将与其站点可靠性工程（SRE）团队合作，寻找使Azure更加可靠的新方法。他表示，从现在到2021年，微软将致力于为接下来十个最大的Azure域提供可用域。可用域旨在帮助保护客户免受数据中心级故障的影响。这些域位于Azure域内，并配备了独立的电源、网络和冷却系统。此外，启用的域至少有三个独立的域位置。

微软正在扩展其安全部署实践框架，其中包括了对软件定义的基础架构的更改，例如网络和DNS。此框架旨在确保Azure中发生的所有代码和配置更改在推出到域之前，能够经过一组特定的开发/测试阶段、预览、硬件多样性试验等操作。同时，微软还在进行更多的投资，目的是提升零影响和低影响的更新技术，如热补丁、实时迁移和现场迁移等。

相比于恢复时间，微软目前更优先考虑的是数据保留。但有些客户表示，他们能够希望自己来做出这种权衡和决定，因此微软正在不断测试和提升自己在存储帐户级别启动时，自身的故障转移能力。

具体来说，其Project Tardigrade服务旨在检测硬件故障或内存泄漏，让Azure可以暂时冻结虚拟机，以便将可能受影响的工作负载转移到其他主机。需要说明的是，微软对于该服务仍没有提供「何时发布」或「最终发布形式」等相关的任何信息。

Russinovich 表示：“持续、实时改进的能力是云服务的巨大优势之一，虽然我们无法消除所有风险，但我们非常注重减少服务问题的频率和影响程度，同时给我们的客户、合作伙伴和更广泛的业界提供透明度。”