服务器宕机(服务器宕机处理方法)越早知道越好

本文转自【TechWeb】；云时代到来，云服务变成像水电一样的基础服务作为云计算的底层承载，服务器的RAS特性（Reliability、Accessibility、Serviceability）决定着云服务的质量

本文转自【TechWeb】；云时代到来，云服务变成像水电一样的基础服务作为云计算的底层承载，服务器的RAS特性（Reliability、Accessibility、Serviceability）决定着云服务的质量，也影响着云上用户业务运行的连续性。

然而，服务器难免因发生硬件故障导致宕机据统计，硬件故障是服务器宕机的重要因素，而内存故障占了硬件故障整体的50%为了给客户提供安全、稳定的云计算服务，腾讯云联合英特尔共同探索影响服务器宕机的关键因素，率先引用并积极完善MCA Recovery技术，同时通过结合硬件品控等手段，成功规避40%由内存故障引起的服务器宕机事故，有效保证云上用户的业务连续性。

腾讯云也是首家在云计算领域大规模研发和使用MCA Recovery技术的云服务商内存故障：服务器的最大杀手硬件故障是服务器宕机的重要因素，而内存故障占了硬件故障整体的50%如果能够有效解决内存故障引起的服务器宕机问题，服务器宕机情况将能够得到极大的改善。

由于内存不可纠正错误的出现，内存故障只能被减少，不可被消除因此如何降低内存故障对宕机的影响、保证系统正常运行成为更有价值的研究方向，而MCA Recovery技术则是降低内存故障负面影响的关键技术之一

MCA Recovery技术：内存故障的重要突破点MCA Recovery（Machine Check Architecture Recovery）技术源自2010年英特尔提出的硬件自检机制然而，由于以往CPU RAS特性的收费门槛与小规模云厂商对宕机的高容忍度，所以业界缺少对该技术的深入研究和工程实践，导致技术性能未被最大限度地发掘出来。

经过多维度的对比测试，腾讯云工程师发现：MCA Recovery技术能够有效缓解不可纠正错误的影响，缩小内存故障情况下对业务的负面影响范围在使用MCA Recovery技术后，发生不可纠正错误的服务器不会立即重启系统，而是标记和传递故障数据，待消费者根据实际情况进行灵活处理，从而规避不可纠正错误导致系统立即重启的问题，更大限度地保证了系统的可用性。

在技术研究基础上，腾讯云推动MCA Recovery技术的应用落地，成为首家大规模研发和使用该技术的企业配合压测、硬件品控等各项手段，腾讯云服务器内存质量得到很大改善，成功减少由内存故障引起的服务器宕机事故达40%，客户体验进一步提升。

MCA Recovery技术的应用推广MCA Recovery技术帮助腾讯云更好地满足客户需求以游戏客户为例，由于成本、架构设计等原因，部分游戏客户采用数据、计算、日志全部集中于同一台服务器的集中式部署架构，导致单机可用性要求高。

腾讯云利用MCA Recovery 技术，建立OS适配、隐患通知、热迁移规避、下线维修、重新上线等配套流程，延长机器uptime，极致地满足客户需求同时腾讯云开发一套自动化注错工具，有效检测MCA Recovery流程触发是否正常。

此注错工具已成为腾讯内部规范，同时也推广到服务器厂商，方便行业早期识别相关隐患腾讯云还与英特尔及主板厂商紧密合作，推动行业技术合作进步在技术研究过程中，腾讯云与厂商紧密合作，有效修复多个底层固件问题同时与英特尔的联合项目推动一系列知识沉淀，如腾讯-英特尔技术白皮书（详见阅读原文），积累大量的软硬件知识储备，为客户提供更安全、稳定、高效的云服务。

英特尔高级技术总监Niveditha Sundaram表示：“经过大量线上故障分析诊断和双方通力协作，腾讯云成功将英特尔平台的MCA Recovery技术运用部署，并将由内存故障导致的服务器宕机率大幅降低了40%，其敏捷高效的运维堪称业界典范。

我们深信双方合作必将在腾讯未来的数据中心基建中诞生更多成果，并给最终客户带来更好的体验”举报/反馈