云计算数据中心的运维管理（二）

孤独的骗子

    3  运维人员应具备的素质
　　
　　运维管理是需要人去做的，如何才能管理好一个数据中心，才能充分发挥数据中心的作用，使之能更好地为云计算提供强大的支持能力。运维人员应具备什么样的素质才能做到这一点呢？一般说需具备以下三个方面的条件。
　　
　　（1）深厚的理论基础
　　
　　运维管理知识来源于学习和不断地研究，比如看书和培训。有了这样的理论基础也就减少了对问题分析的盲目性。否则碰到问题就不知所措，无从下手。如图1是某数据中心
　　
　　　　
　　供配电结构原理图。图中，两台120kVAUPS并联后送到两个配电柜，每个配电柜各有35个16A的微型断路器。一天夜里1#配电柜突然有八个输出断路器跳闸。后来检查结果是一个IT电源输入短路，两个IT电源输入保险丝烧断。这就提出了如下的问题：
　　
　　①为什么三个电源故障导致八个断路器跳闸？
　　
　　②为什么一个电源短路导致八个断路器跳闸？
　　
　　③为什么跳闸都发生在1#配电柜，而2#配电柜没有任何反应？
　　
　　以上的几个问题如何解释？这里面包含了理论、经验和对电路与器件的了解。
　　
　　又如，某化工单位在定期为240kVAUPS电池放电时，由于负载太小，只好将电池组取下来用假负载放电。放电后又将电池组接回原处，合闸后机器突然爆炸起火。专家检查后，发现电池的极性连接正确，但所有逆变器功率器件和整流器后面的所有电解电容器统统烧毁！于是专家作出了是“机器质量问题”的结论。结果代理商赔了一台新机器。是机器本身的质量问题吗？为什么电池放电前机器一直运行正常，而放电后就起火爆炸呢？就算是质量问题也不会在同一时间所有这些器件都达到报废的程度！这又如何解释？如此等等，如果不站在理论的高度上去分析，单凭经验和直观视觉就一头雾水，就不能做出公允的判断。“机器质量问题”的结论肯定是错的，错在哪里？错在不懂UPS的结构原理。
　　
　　又如，某机关数据中心购置了4台200kVAUPS做 2（1+1）连接，如图2所示。机器安装后在考机期间，为了检测在市电转换时的输出不间断功能，就在转换开关ZB1由市电1向市电2切换瞬间，分路断路器ZB2和ZB3跳闸，两路并联UPS1和UPS2各坏了1台，检查发现都是可控硅整流器烧毁和控制电路板受损。按道理说由市电1切到市电2是一
　　
　　　　
　　个很普通的操作，即是UPS最普通的功能之一，为什么会出现如此情况？而且修好后不到一年又一次市电停电时，UPS转为电池供电模式，待市电恢复后UPS的输入电压就不能投入了，一直是逆变器供电。为什么？为了工作再不受影响，用户只好将其淘汰!为什么会这样？调查得知，该机器是打着进口品牌的国产品，而且该生产者是一个国内不知名的小厂。在用户购置该UPS的时候，国内知名的几家UPS制造商也刚刚达到生产该容量的水平，且大都是仿制。不用说这一家也是仿制。问题是为什么的仿制就会出现如此多的问题呢？技术分析留待后面，这里只分析产品和知名厂家的不同，其不同就是仿制技术水平的差别（这可从UPS故障后两个月才修复看出技术水平不佳）、生产平台的差别（机内布线和控制电路板外观粗燥）、元器件等级的差别（更换故障部件不是一次成功）、检测手段的差别（出厂产品做市电切换是常规手段，这次故障说明产品出厂时连最常规的实验都没做）等。由于用户缺乏这方面的知识，没有向厂家提出采取相应的应对措施，才会很快又出现第二次故障。
　　
　　（2）丰富的实践经验
　　
　　理论来自学习，但必须和实践经验相结合。一般说经验多数来自教训，所谓失败是成功之母就是这个道理。这里所说的经验是经过反复实践证明的，是经得住考验的。往往好多所谓经验并不是真正的经验而是经历。比如不少人认为零地电压干扰负载，并能举出一些实际例子加以证明。比如举例者说：一次，机器系统工作异常，经查找发现零地电压大于1V，于是就将电源的零线和地线短接，结果异常消除了。当问及是否又将零地短接线断开时，其回答是：“既然工作正常了还断开做什么？”首先这个经验是不完全，只做了一半。一个完整的经验应该是：零线和地线短接后异常消除，接着再将零地短接线断开，如果此时系统工作又出现异常，就说明是零地电压干扰系统；如果将零地短接线断开后系统仍正常工作，就不能说明零地电压干扰系统。这里的误区是当事者听信了传说‘零地电压干扰负载’的影响，在他的心目中已有这个印象，这次的经历正好迎合了这种心理，所以就错误地认为这就是经验。
　　
　　大都有这样的经历：显像管老式电视机，看的时间长了就会出现影像突然消失，一般的做法是拍打几下电视机外壳，大都是影像出现了。有了这一次的经验，以后只要影像没有了就去拍打外壳。可说是有了多次‘经验’。难道就可以说这个电视机所以经常出现黑屏就是因为‘欠打’吗？很明显这是误解。总有一天将电视机拍打的彻底黑屏为止，或烧掉。
　　
　　（3）很强的责任心
　　
　　这一点尤为重要，技术好并不代表责任心强。比如某金融数据中心一位技术很好的运维工程师，开始的确是严格按照机房守则每两小时抄一次UPS显示屏上的数据，几个月下来显示屏上的数据总也不变，他都背熟了。从此机房就再也不去了，按照记忆每两小时填一次表。突然一天半夜机房内市电故障停电，UPS转为电池模式继续为机房IT系统供电，这位工程师早晨上班后仍按习惯没有去机房巡视，就直接将记忆中的数据填入表中，几小时后由于电池的储能枯竭致使UPS输出停电，机房设备全部停止运行。可惜的是后备发电机控制屏的开机旋钮指在“手动”位置上，本来可以避免的故障就这样出现了，给单位造成了严重损失。
　　
　　再者，责任心强如果制度定得不合适也会导致故障。如在前面“深厚的理论基础”中提到的例子，这位工程师责任心是很强，做到了定时为电池放电保养，但由于制度定的不细，使得只有一个人的情况下单独操作，结果由于误操作而导致故障。在对待高压（不论是直流还是交流）情况下应该是两人在场，一个人操作一个人‘监督’。
　　
　　4 结束语
　　
　　数据中心作为信息与信息系统的物理载体，目前主要用于与IT相关的主机、网络、存储等设备和资源的存放、管理。只有运维管理好一个数据中心，才能发挥数据中心的作用，使之能更好地为云计算提供强大的支持能力。通过有效实施云计算数据中心运维管理，降低人员工作量的同时提高运维人员工作效率，保障业务人员的工作效率，提高业务系统运行状况，进而提高企业整体管理效益，同时提高客户满意度，实现云计算数据中心的价值最大化。