最近，技術圈又出現了一次轟動性的大事故——阿里雲重大技術故障，超過1000家企業系統癱瘓，損失過億！
故障於北京時間2018年6月27日16：21左右爆發，16：50分開始陸續恢復。官方給出的時間大概持續30分鐘，完全恢復實際用了一個多小時。
上一次同等規模的故障是在2015年，攜程癱瘓了11小時，損失高達7000W+。
阿里雲是國內最大的雲服務商，服務著製造、金融、政務、交通、醫療、電信、能源等眾多領域的領軍企業，包括中國聯通、12306、中石化、中石油、飛利浦、華大基因等大型企業客戶，以及微博、知乎、錘子科技等明星互聯網公司。在天貓雙11全球狂歡節、12306春運購票等極富挑戰的應用場景中，阿里雲均保持著良好的運行紀錄。
對於此故障的原因，網上傳的各種版本都有，傳的最多的是以下2個版本:
網上流傳故障原因版本一
網上流傳故障原因版本二
小編認為，實習生誤刪登陸服務之說，應該是不存在的。
一般大型互聯網公司尤其是阿里雲這樣支撐千億級業務規模的公司，對工程師權限有著極為嚴格的控制，不可能在實習生不熟悉的情況下，給予過高的管理權限，這是極其不專業的做法。
對於版本二，我通過內部瞭解到原因：
這個說法跟阿里雲官方通告是比較吻合的。
次日凌晨時分，阿里雲發佈的說明稱：“工程師團隊在上線一次自動化運維新功能的時候，執行了一項變更驗證操作，這一項功能在測試環境驗證中未出現問題，上線生產環境中，觸發了一個未知的bug。”
不論何種原因引起，重要的是，本次故障的嚴重程度是非常高的，故障級別定義在S1，整個阿里集團的核心業務，以及依託阿里雲的公司，很多都受了影響。
互聯網時代，雖然不是每個公司都像阿里一樣擁有一個龐大複雜的架構體系，會涉及到成千上萬的配置以及幾十種技術的應用，但是，事故的發生對每個公司來說概率都是一樣的。
阿里雲對於本次故障非常坦誠：
"這次故障，沒有藉口，我們不能也不該出現這樣的失誤！我們將認真覆盤改進自動化運維技術和發佈驗證流程，敬畏每一行代碼，敬畏每一份託付。"
這樣的態度中小企業同樣值得學習，
IT運維無小事，容不得半點馬虎。也許一個小BUG，一個小病毒，甚至是工作人員一次不經意的誤操作，就會造成小到幾臺電腦無法工作，大到整個公司網絡癱瘓的影響，甚至給公司業務帶來無法挽回的損失。如果能做到日常有專業人員例行維護，例行排查安全隱患，做好病毒查殺、軟件更新等等預防工作，那麼會將事故發生率降低到最小。
IT運維的最佳境界就是保障一切系統正常運行，從不宕機，為企業正常運轉保駕護航，而不僅僅是出了問題才來“修修補補”。
如果你的企業已經有了可愛的運維工程師，請珍惜他。
閱讀更多 IT無憂共享IT部 的文章
