指南 · 系统可靠性
如何减少IT停机时间：在薄弱环节出事之前先找到它们
中小型机构的大多数停机，都源于少数几种可以预见的原因：只有一条互联网连接、一台没打补丁的设备、一张过期的证书、一份从未测试过的备份。本指南介绍如何找出这些薄弱环节，并按合理的顺序逐一解决。
- 发布日期
- 阅读约需8分钟
本页内容
要点速览
- 首先估算停机一小时会给企业带来多少损失，以便判断值得在预防上投入多少。
- 梳理您的单点故障：互联网连接、防火墙、服务器、关键人员、关键应用和电力供应。
- 例行的补丁管理、系统监控和硬件生命周期规划，可以预防很大一部分本可避免的故障。
- 只有经过恢复测试、并把恢复步骤写成文档，备份才能真正缩短停机时间。
- 每一次中断都是学习的机会；每次事件后做一次简短回顾，可以逐步消除反复出现的原因。
首先弄清停机给您带来的损失
停机不只是系统不可用的那段时间。它还包括员工无法工作、预约必须改期、发票无法寄出、截止日期被错过，以及事后追赶进度所花的时间。对有些企业来说，一小时没有电子邮件只是不方便；而对另一些企业来说，一小时无法使用排班系统或收银系统（POS）就意味着要把客户拒之门外。
粗略估算就足够了。估计某个系统出故障时有多少人受到影响、他们的时间成本是多少，以及每小时有多少收入或客户承诺面临风险。对您最重要的三四个系统分别做一次估算。数字不必精确，只要足以告诉您第二条互联网连接、一台备用笔记本电脑或更好的备份是否值得花钱即可。
这项工作还能帮您明确恢复目标：每个系统最多可以停机多久（恢复时间目标，RTO），以及最多能承受丢失多少最近的数据（恢复点目标，RPO）。这两个目标应当决定备份频率和恢复规划。
本可避免的停机最常见的原因
只有一条互联网连接
办公室只有一条网络连接时，一旦它出故障，云端电子邮件、文件和电话系统都会随之中断。施工挖断线路或网络供应商故障造成的中断不在您的控制范围内，但其影响程度是可以控制的。
老化或缺乏监控的硬件
服务器、防火墙、交换机和硬盘越老越容易出故障。如果没有监控，第一个警告信号就是故障本身。
更新遗漏或更新造成中断
未打补丁的系统容易受到攻击，进而造成长时间停机；而未经规划就安装的更新，可能在工作日中途导致应用程序无法运行。
续费过期
域名、安全证书、软件订阅和技术支持合同如果悄无声息地过期，可能毫无预警地让网站、电子邮件或应用程序下线。
安全事件
勒索软件和账户被盗用是企业可能遭遇的最具破坏性的事件之一，因为恢复过程不仅需要还原数据，还需要进行调查。
依赖关键人员
如果只有一个人知道某个系统的配置方式或掌握密码，那么一旦这个人无法联系，一个普通问题就可能演变成停机。
一套实用的预防方案
请按顺序逐步完成。每一步本身都能降低风险，合在一起则构成一个可靠环境的基础。
清点资产并梳理依赖关系
列出系统、设备、网络设备和云服务，并注明每个关键业务流程依赖哪些系统。您不知道的依赖关系，正是意外的来源。
定期安排补丁和维护
按固定计划安装操作系统、应用程序和固件更新，设定明确的维护时段，安排一个试点组进行测试，并准备好回滚的方法。
监控真正重要的指标
关注磁盘空间、备份完成情况、设备健康状况、互联网连通性和安全警报，并确保在约定时间内每条警报都有专人负责处理。
规划硬件生命周期
记录购买日期和厂商停止支持的日期，按计划周期更换设备，而不是等到坏了再换。
集中管理续费事项
把域名、证书、许可证和支持合同统一登记在一份清单中，注明续费日期和负责人，并在到期前提早设置提醒。
记录并共享知识
记录配置、恢复步骤和供应商联系方式，并把管理员凭据保存在企业所有、且不止一人可以访问的密码库中。
提升环境的韧性
预防可以减少故障发生的次数，韧性则可以减轻故障发生时的影响。
第二条网络线路
来自不同供应商或采用不同技术（例如蜂窝网络）的备用连接，配合可自动切换的防火墙，能让关键服务保持可用。
电源保护
为网络设备和服务器配备不间断电源（UPS），可以撑过短时停电，并在较长时间停电时安全关机。
云端优先的工作方式
托管在云端的电子邮件、文件和关键应用，在办公室无法使用时，仍可在家中或其他地点访问。
备用设备
一台预先配置好的备用笔记本电脑和一台备用网络交换机，可以把等待替换设备的一整天，缩短为一次短暂的中断。
真的出故障时，要能快速恢复
备份是恢复的基础，但只有经过测试的备份才可以依赖。请定期安排对文件、邮箱以及（必要时）整台服务器的恢复测试，并记录每次恢复所花的时间。这个时间才是您真正的恢复能力，而且往往比人们预想的要长。
为每个关键系统写一份简短的恢复操作手册：联系谁、备份在哪里、恢复步骤是什么，以及如何告知员工目前的情况。在您自己的系统停机时，也要能找到这份手册的副本。然后偶尔演练一下，哪怕只是桌面推演；第一次照着恢复计划操作，不应该是在真正停机的时候。
每次发生重大中断后，都做一次简短的回顾：发生了什么、如何发现的、恢复花了多长时间、怎样才能避免再次发生。每次事件后持续做出小的改进，是长期减少停机时间最可靠的方法之一。
人员和流程与技术同样重要
明确警报的负责人
只有当每条警报都有人负责、并且知道该怎么做时，监控才有意义。请商定谁在什么时段监控哪些内容，以及紧急问题如何上报给决策者。
对高风险工作实行变更管控
防火墙变更、服务器更新和应用程序升级应安排在业务高峰时段以外进行，提前通知，并配备回滚方案。
鼓励员工及早报告问题
登录变慢或出现奇怪弹窗之类的小症状，往往是早期预警。请让报告问题变得简单，也永远不要让员工因为报告了最后证明是小事的问题而感到难堪。
沟通预案
事先决定：如果停机的恰恰是电子邮件或 Teams，您将如何通知员工和客户，例如使用短信群发名单或电话通知链。
本月就可以开始的快速改进
- 从备份中恢复一个文件和一个邮箱，并记录所花的时间
- 列出所有域名、证书和订阅及其续费日期
- 检查哪些设备运行的操作系统即将或已经停止支持
- 确认至少有两个人可以安全地访问管理员凭据
- 向互联网服务商咨询为办公室增加备用连接的选项
- 为每一个尚未启用多因素身份验证的账户启用该功能
常见问题
小企业IT停机最常见的原因是什么？
情况因企业而异，但互联网连接故障、硬件老化、更新遗漏、续费过期和安全事件等本可避免的原因，是常见的中断来源。找出其中哪些适用于您的环境，比依赖笼统的统计数据更有用。
第二条互联网连接值得投资吗？
如果您的员工、电话和应用都依赖云端，备用连接往往是最具成本效益的韧性措施之一。请把它的月费与您估算的断网一小时或一天的损失进行比较。
我们应该多久测试一次备份？
按固定计划进行恢复测试，关键系统测试得更频繁一些，并在环境发生任何重大变化后进行测试。合适的频率取决于数据的重要程度和变化频率。
托管IT服务能减少停机时间吗？
规范的支持可以通过安排补丁管理、监控系统、追踪续费事项以及维护文档和备份来提供帮助。没有任何服务商能够防止所有停机，因此在任何方案中，都要看是否有明确的职责、确定的响应目标和经过测试的恢复流程。
找出您的单点故障
IT基础设施健康检查会审查您的网络、设备、备份和依赖关系，并为您提供一份按优先级排列、有待解决的风险清单。