系统运维人员如何解决突发性故障？

任何计算机系统都有出现故障的时候，可能发生在测试阶段，也可能发生在系统刚刚上线，还可能发生在已经稳定运行很多年的系统上。这些系统出现故障所带来的负面影响可大可小，小到一个终端的软件无法使用，大到整个系统瘫痪……企业网络想要固若金汤是IT部门梦寐以求的目标，作为系统运维人员，应该如何解决这些突发性故障问题？

某上市公司系统工程师分享一个案例

记一次突发性故障

作为一名IT运维人员，工作中最常发生的系统方面的故障是很正常的一个现象，并且你永远也不会知道下一次故障发生在什么时候，采访时了解到，系统工程师现阶段公司的系统运维已经做的比较成熟了，目前来看，系统底层还是比较强健的，真正出问题的都是系统之上的"应用"，由于每种应用不同，所以并不是太好谈哪一种应用会经常出问题。

不过，在前不久，公司发生了一次较大故障，故障成因很简单，就是由于空调物理机损坏，导致多台服务器过热，部分业务中断。在更换新的空调之后问题得以解决。当然，在没有更换之前，当时也采用了一些"笨办法"，比如使用大功率的风扇、开启机房的排气窗等等，暂时缓解了空调损坏造成的不良影响。
故障处理那些事儿。

出现故障的同时必然会造成一些业务的中断，可想而知，若是故障得不到及时的处理，那么公司网络将会处在一个"瘫痪"的状态，这将是很可怕的事情，后果不堪设想。幸好九叔所在的运维团队发现问题很及时，在机房中安装有温度报警系统，温度达到阀值后会给相关运维人员发送短信。比较棘手的是，这次故障的根本原因是空调坏了，而不是常见的断电、瞬间电流过大等情况。由于出问题的这个机房的服务器没有线上业务，因此实际造成的损失并不大，但是影响不太好。

对于类似故障处理，大概遵循以下几个大的方向。

1、收到报警或定期巡检；
2、检查是否误报；
3、确认报警内容属实进行相应处理；
4、检查是否有预案，如有则按照预案处理，如无则尽快联系厂商处理，同时对此事备案。

在处理问题环节，如果在自身团队无法处理的时候，会及时和厂商联系，获取更专业的支持。

故障后的思考与总结

俗话说，吃一堑长一智，出现故障不可怕， 可怕的是不能从故障中得到一些经验教训。谈到："对于系统运维来说，不仅仅要关注软件层面的问题以及运维，同时对于基础IT建设也要有一定的了解，最起码要知道出现问题应该找谁解决。随着现阶段技术的发展，我们不可能做到一个人对所有技术面面俱到，那么在无法解决问题的时候，如何找到解决问题的人，应该是每一个系统运维人员所必须要了解的。

空调故障的问题偶然性很强，但是依然有方法避免，那就是采取硬件服役到一定年限后更换，而不是等它彻底损坏后再更换。但是这种方法会带来很多额外的费用支出，一般来说，在企业中推行这种方法需要IT部门有一个强有力的后盾去支持才能较好的达到预期效果。

还有一点是值得注意的，不管具体是什么故障，做好预案和备案最重要，以防止这种问题再次发生，或者再次发生后，也可以极为快速地去解决问题。