如何正确认识IT系统可靠性

我们在服务器可靠性方面经历得太多了。我们总是在努力保障服务器、路由器和switch的正常运转，而用户却总在抱怨系统的可靠性太差。一旦系统出现故障，用户们就会把帮助席位的电话打爆了。而且每一次系统出现故障，他们都会责备系统维护人员。等到高级管理人员最终来到的时候，由于他们也同样经受了系统故障带来的痛苦，他们会站在用户一边。当这些问题如潮水一样涌来，问题出现了：究竟什么是可靠性？谁来测量它？当我为一个客户提供支持流程改进服务的时候，我学到了很多东西。

我的客户是一家中型（大约有3000或者左右的节点）公司，它在20个州和4个国家有办事机构。它邀请我作在的公司帮助他们解决反复出现、困扰着他们的“可靠性”问题。他们期望我们能到他们的环境中去，并为他们的问题提供特别的技术和服务方案。我们公司派了一个比较小的团队进行这一个项目，我是其中的一个低级别成员。

经过两个星期的评估，我们发现了一些非常显见的问题。服务器维护人员把MS Exchange和MS SQL Server安装在卫星办公室的同一个磁盘阵列。网络小组在对路由器做规划的时候非常奇怪地忽略了国外的办公室。有三个用户总是飞来飞去，他们总是处在安全域之外；他们帐户故障的频率比其他用户高出两个量级。我们建议采用磁盘阵列来解决由双任务服务器所引起的磁盘连接问题，避免在欧洲办公室的工作时间安排关机，培训那些问题多的用户。客户非常感激我们，并安排了六个月的试用来验证这样做的效果。

我们满怀期望，希望可靠性的问题解决了。从技术角度说，确实如此。可是用户的IT部门的人员却不太情愿采用我们的建议方案。设备正常运行的时间显示我们的方法还是达到了预期的效果。服务器不再按照一定的周期出故障。通往欧洲的连接始终状态良好。帐号故障率下降了80%

不幸的是，用户仍然周期性地抱怨网络稳定性。从技术角度稳定性的提高并没有转换成用户满意度的提高，为什么？

测量可靠性：我们在测量什么？
IT人员还在自鸣得意的时候，我们就开始尝试去找出这个问题的答案。一位工程师被指派负责这一工作，他是我最初几年工作的导师，他发现了一些不同寻常的事。我们打了很多电话，有时候还装扮成潜在用户来观察系统是如何跟踪数据流的。

经过两个星期的工作，我们有如下发现：