数据中心的业务连续性和灾难恢复计划

简介:

为了降低一系列的商业风险,包括那些数据中心的风险,许多组织建立了业务连续性(BC)计划和灾难恢复(DR)计划。这些计划一般侧重于特定的威胁,企业将持续实施这些计划,并对它们进行测试。为确保计划成功,企业需要做的更好。而确保数据中心正确工作是填补这些空白的一种方法。

企业有计划吗?计划具体吗?

尽管许多企业有业务连续性计划或灾难恢复计划,但有些企业却没有,或者他们就算是有计划但也过于笼统。通过对数据中心决策者的广泛调查,商业分析企业451研究公司发现,82%受访者表示拥有某种形式的灾难恢复(DR)计划,这意味着将近五分之一的企业的灾难恢复(DR)计划没有到位。随着数据中心越来越面临着风险,如今的企业目前广泛使用灾难恢复解决方案,没有什么理由和借口不制定这些计划。

由ForresterResearch和灾难恢复杂志(DRJ)进行的另一项调查显示,表明业务连续性计划达到了一个更高的水平。研究发现,93%的组织拥有业务连续性计划(BCPs)。然而,本次调查揭示了另一个缺点:有一半的受访者没有感受到业务连续性发展的威胁。

然而,一个具体的业务失败将会降低计划的有用性。“不同的情况需要制定不同的响应,”Forrester Research的主管斯蒂芬妮•巴拉罗斯表示。

人们会积极更新吗?

一些组织有明确参与计划。而451公司的研究表明,有40%的受访者正在评估一个新的灾难恢复架构。尽管新的数据中心建设是相对平坦,在那些计划中,在未来两年内建立一个灾难恢复站点是比较常见的。但是,这些努力都只是问题的一部分。

而企业制定一个计划,然后将其搁置似乎是一种自然的趋势。在Forrester和DRJ调查中,只有14%的的受访者表示他们不断更新其业务连续性计划(BCPs),Forrester在2008年建议企业要加快其连续性计划的更新速度。而现在,大多数的企业更新他们的计划一般是一年一次,或不经常更新。

多久进行一次测试?

拥有计划并更新是很重要的,但也需要对计划进行测试。在这方面,许多企业都暴露了自己很少测试的现状。

毫不奇怪,更广泛的测试不经常进行的。虽然在Forrester/DRJ调查中,67%受访者简单回顾了布局和规划内容,而每年进行全面模拟的只有32%。专家建议每年至少有一次测试,而一年两次测试是更理想的。

而被曝光的另一个领域是业务伙伴。由第三方参与测试从2008年的47%提高到2014年的59%,但巴拉罗斯说,“合作伙伴的关系将会更加依赖,尤其是在云服务中,参与测试的这一水平应该更接近100%。”

数据中心解决方案的实施

在实施数据中心的业务连续性(BC)和灾难恢复(DR)解决方案时,首先确保前期分析是正确的。哪些应用程序为业务的操作必须启动和运行?他们需要的服务水平是什么?这有助于确定恢复时间目标(RTO)。而其相关的指标是恢复点目标(RPO),是指在这一点上复制一个生产数据库的备份服务。

组织转向数据中心的解决方案。在第一种情况下,企业提供服务和应用程序,并为用户确保其最小的零容忍停机时间。

其他公司也可能会选择采用虚拟服务器运行灾难恢复(DR)解决方案,其恢复时间目标(RTO)很长,以便实施灾难恢复即服务(DRaaS)模型的某些应用。在这两种情况下,将使用基于英特尔X86或IBMAS400iSeries服务器,而DR/BC计划应该包括具体的方案,以其解决方案满足特定的技术。

测试和恢复能力

灾难恢复和保持业务连续性已经成为组织和核心业务功能,但目前多数情况下仍然被少部分组织忽视。

然而,并不是每个企业都在积极实施业务连续性(BC)和灾难恢复(DR)解决方案,许多企业疏于更新和测试他们的计划。而商业合作伙伴可能会承担一定的责任。任何第三方数据中心都希望发挥DR/BC解决方案的作用,成为一个负责任的角色,例如,应该强制检测,甚至每年进行多次测试,这将有助于降低威胁,并促进解决方案的发展。

数据中心需要高度的弹性。而这样做的话,数据中心需要配置多个冗余电源,多样的连接路由,并在规划和设计时提高其安全性。


作者:Harris编译

来源:51CTO

相关文章
|
7月前
|
存储 传感器 监控
探索现代数据中心的冷却技术革新
【4月更文挑战第23天】 在信息技术迅猛发展的今天,数据中心作为计算和存储的核心枢纽,其稳定性和效率至关重要。然而,随着处理能力的增强,设备发热量急剧上升,有效的冷却方案成为确保数据中心持续运行的关键因素。本文将深入分析当前数据中心面临的热管理挑战,并探讨几种前沿的冷却技术,包括液冷系统、热管技术和环境自适应控制策略。通过比较不同技术的优缺点,我们旨在为数据中心管理者提供实用的冷却解决方案参考。
|
4月前
|
机器学习/深度学习 存储 监控
利用机器学习技术优化数据中心能效
【7月更文挑战第36天】在数据中心管理和运营中,能源效率已成为关键性能指标之一。随着能源成本的不断上升以及环境保护意识的增强,开发智能化、自动化的解决方案以降低能耗和提高能源利用率变得尤为重要。本文探讨了如何应用机器学习技术对数据中心的能源消耗进行建模、预测和优化,提出了一个基于机器学习的框架来动态调整资源分配和工作负载管理,以达到节能的目的。通过实验验证,该框架能够有效减少数据中心的能耗,同时保持服务质量。
|
7月前
|
存储 大数据 数据处理
探索现代数据中心的冷却技术
【5月更文挑战第25天】 在信息技术迅猛发展的今天,数据中心作为其核心基础设施之一,承载了巨大的数据处理需求。随着服务器密度的增加和计算能力的提升,数据中心的能耗问题尤其是冷却系统的能效问题日益凸显。本文将深入探讨现代数据中心所采用的高效冷却技术,包括液冷解决方案、热管技术和环境自适应控制等,旨在为数据中心的绿色节能提供参考和启示。
|
7月前
|
人工智能 监控 物联网
探索现代数据中心的冷却技术
【5月更文挑战第27天】 在信息技术迅猛发展的今天,数据中心作为信息处理的核心设施,其稳定性和效率至关重要。而随着计算能力的提升,数据中心面临的一个重大挑战便是散热问题。本文将深入探讨现代数据中心冷却技术的进展,包括传统的空气冷却系统、水冷系统,以及新兴的相变材料和热管技术。通过对不同冷却方式的效率、成本及实施难度的分析,旨在为读者提供一份关于数据中心散热优化的参考指南。
|
7月前
|
机器学习/深度学习 资源调度 监控
利用机器学习技术优化数据中心能效
【5月更文挑战第30天】在数据中心管理和运营中,能源效率的优化是降低运营成本和减少环境影响的关键。本文旨在探讨如何应用机器学习技术来提升数据中心的能源效率。通过对现有数据中心运行数据的深入分析,开发预测性维护模型,以及实施智能资源调度策略,我们可以显著提高数据中心的能效。本研究提出了一种集成机器学习算法的框架,该框架能够实时监控并调整数据中心的能源消耗,确保以最佳性能运行。
|
7月前
|
存储 大数据 数据中心
提升数据中心能效的先进冷却技术
【5月更文挑战第27天】 在信息技术不断进步的今天,数据中心作为计算和存储的核心枢纽,其能源效率已成为评价其可持续性的关键指标。本文将探讨当前数据中心面临的热管理挑战,并展示一系列创新的冷却技术解决方案,旨在提高数据中心的能效,同时确保系统的稳定性和可靠性。通过对比传统冷却方法和新兴技术,我们将分析各种方案的优势、局限性以及实施难度,为数据中心运营者提供科学的决策参考。
|
7月前
|
存储 传感器 人工智能
探索现代数据中心的冷却技术革新
【5月更文挑战第18天】 在数字化时代,数据中心作为信息处理与存储的核心设施,其稳定性和效能至关重要。随着计算需求的激增,数据中心的冷却系统面临着前所未有的挑战。传统的空调冷却方法不仅耗能巨大,而且效率低下。本文将深入探讨现代数据中心冷却技术的最新进展,包括液冷技术、热管应用、环境辅助设计以及智能化管理等方面,旨在提供一种高效、可持续且经济的解决方案,以应对日益增长的冷却需求。
|
6月前
|
移动开发 监控 前端开发
基于 HTML5 WebGL 和 VR 技术的 3D 机房数据中心可视化
基于 HTML5 WebGL 和 VR 技术的 3D 机房数据中心可视化