1. 容灾概述：到底什么是容灾？
各位同学，咱们今天聊容灾。说实话，我刚入行那会儿，觉得容灾就是「多搞几台机器，数据备份一下」。后来被现实狠狠教育了一次，才明白事情没那么简单。
容灾，全称是「灾难恢复」。说白了，就是当你的系统被雷劈了、机房着火了、运维手滑删库了——你还能让业务继续跑，或者尽快恢复回来。我见过太多公司，平时觉得容灾是浪费钱，真出了事才拍大腿。
为什么需要容灾？
这个问题我问过不少同行。答案其实就三个字：扛得住。
- 天灾人祸躲不过：地震、火灾、光缆被挖断。我记得2017年某云厂商光缆被挖，半个互联网都瘫了。
- 数据是命根子：丢1小时数据，可能损失几百万。金融行业尤其敏感。
- 合规要求：银保监会、证监会都有明确要求。不做容灾，审计过不去。
- 品牌信誉：用户不会管你是被黑客攻击还是机房断电，他们只知道「你家系统挂了」。
我曾经踩过的坑： 有次帮客户做容灾方案，对方说「我们数据量不大，每天备份一次就行」。结果真出了故障，恢复花了整整两天。老板差点把IT部门拆了。记住：备份≠容灾，恢复速度才是关键。
容灾的等级标准：SHARE 78
说到容灾等级，业界有个经典标准叫 SHARE 78。这是1978年由SHARE组织定义的，一共7个层级。虽然年代久远，但至今仍是参考基准。
| 等级 | 名称 | 特点 | RPO | RTO |
|---|---|---|---|---|
| Tier 0 | 无容灾 | 啥也没有，听天由命 | N/A | N/A |
| Tier 1 | 冷备份 | 磁带/磁盘备份，人工恢复 | 24小时+ | 数天 |
| Tier 2 | 热备份 | 备份站点有硬件，但数据滞后 | 12-24小时 | 1-2天 |
| Tier 3 | 电子链接 | 通过网络传输备份数据 | 4-12小时 | 12-24小时 |
| Tier 4 | 批量/实时复制 | 数据实时或准实时复制 | 1-4小时 | 4-12小时 |
| Tier 5 | 两站点双活 | 两个站点同时提供服务 | 0-15分钟 | 0-2小时 |
| Tier 6 | 零数据丢失 | 同步复制，几乎无延迟 | 0 | 0-15分钟 |
你想想看，大部分公司能做到Tier 4就已经不错了。真正敢说Tier 6的，基本都是银行、证券这种不差钱的主儿。
两个核心指标：RPO 和 RTO
做容灾，绕不开这两个词。我面试运维的时候，必问这个问题。
- RPO（Recovery Point Objective）：你能容忍丢多少数据？说白了就是「最后一次备份到灾难发生之间，丢了多久的数据」。
- RTO（Recovery Time Objective）：你能容忍系统停多久？从灾难发生到业务恢复，这个时间就是RTO。
举个例子： 假设你的RPO是1小时，RTO是4小时。意思是：最多丢1小时的数据，系统必须在4小时内恢复。如果做不到，那就得调整方案或者加钱。
我个人习惯，做方案时先问业务方这两个数字。他们往往说「当然要零丢失、秒级恢复啊」。这时候我会反问：「预算多少？」——嗯，现实就是这么骨感。
容灾架构的核心逻辑
说了这么多，咱们用一张图来总结容灾的核心逻辑。这张图我画了很多次，每次给客户讲都先用它。
我的经验： 画这张图的时候，我习惯把RPO和RTO放在最下面。因为很多老板只关心「能不能恢复」，不关心「怎么恢复」。把指标摆出来，他们就知道该花多少钱了。
容灾方案怎么选？
选方案其实就一句话：看预算，看业务，看团队。
- 预算充足：上Tier 5或Tier 6，双活数据中心，同步复制。我见过某银行，两个数据中心之间拉专线，延迟控制在1ms以内。
- 预算一般：Tier 3或Tier 4，异步复制，每天做增量备份。大部分互联网公司都在这个区间。
- 预算紧张：Tier 1或Tier 2，冷备份加定期演练。虽然慢，但总比没有强。
我个人建议，至少做到Tier 3。因为Tier 2以下，恢复时间太长，业务根本等不起。我曾经有个客户，Tier 1方案，磁带备份。结果恢复时发现磁带读不出来——嗯，那场面，别提多尴尬了。
本章小结
容灾不是买几台机器、做个备份就完事了。它是一整套体系：从等级标准到核心指标，从数据复制到故障切换。记住三个关键词：SHARE 78、RPO、RTO。下次老板问你「容灾方案怎么做」，你先反问：「咱们的RPO和RTO是多少？」——这一问，就显得你很专业。