如何避免腾讯云彻底搞丢“天价数据”事件再次发生？

前沿数控的程序员，登录云服务器时，发现无法登录，于是反馈给腾讯云。得到的回复是，北京三区部分云硬盘出现故障，正在紧急恢复中。

几天后，腾讯云告知前沿数控，这些数据丢了，再也找不回来了。这时，双方开始进入赔偿协商。

但是因为前沿数控索赔1101.6万元，而腾讯云只愿意赔偿13.29万，所以双方陷入了僵持。

而这件事之所以，成为新闻，就是因为前沿数控，在9个9（腾讯云承诺99.9999999%的数据可靠性）的腾讯云上的数据，彻底丢失了。

腾讯云表示，“虽经多方努力，最终仍有部分数据完整性校验失败。经过分析，该硬盘静默错误是在极小概率下被触发”。

对于本次事件和云服务使用攻略，互联网运维技术专家刘晓明给CSDN投稿，详细为大家分析了“腾讯云与前沿数控的磁盘数据丢失事件”。

以下为正文：

8月6日，腾讯云官微发布关于用户“前沿数控”数据完整性受损及腾讯云补偿措施的说明 。近日，腾讯云用户“前沿数控”平台一块操作系统云盘，因受所在物理硬盘固件版本Bug导致的静默错误（写入数据和读取出来的不一致）影响，文件系统元数据损坏。

腾讯云表示，监控到异常后，第一时间向用户告知故障状态，并立即组织文件系统专家并联合厂商技术专家尝试修复数据。虽经多方努力，最终仍有部分数据完整性校验失败。经过分析，该硬盘静默错误是在极小概率下被触发，腾讯云随即对固件版本有Bug的硬盘全部进行下线处理，确保相关隐患全部排除。

作为运维专家，纯从技术角度分析腾讯云与前沿数控的磁盘数据丢失事件，避免类似的问题再次发生。

硬盘固件详解和数据保护机制

固件又称Firmware，就是“固化在硬件中的软件”，不太恰当但是好理解的就是：固件就是硬盘的操作系统。固件firmware是安装在硬盘的一个小记忆芯片上的，用于引导硬盘工作。担任着一个系统最基础最底层的工作。是用汇编语言编写的引导命令、控制语句和执行语句，协调和控制硬盘各个内部部件之间相互作用。

对于固件的保存位置来说，不同品牌的硬盘各不相同。硬盘在工作时，用户可以访问的是零磁道以后的位置，因此固件区是无法访问的。只有通过专业工具，将硬盘置于工厂状态下，才能实现对硬盘进行读写固件区信息、获取固件区模块和表格配置图、获取扇区分配表、进行LBA(逻辑地址)与CHS(物理地址)互换、进行低级格式化以及读、写硬盘的闪存芯片等操作。

固件就是硬件设备的灵魂，因为一些硬件设备除了固件以外没有其它软件组成，因此固件也就决定着硬件设备的功能及性能。在硬盘中，固件负责驱动、控制、解码、传送、检测等工作，如管理数据的存放位置、记录己经损坏的缺陷扇区、避免使用过程中再次用到这些坏的缺陷扇区、记录硬盘在工作中的温度或出现的错误 等。少了固件的硬盘就只是一堆机械和电子元件，不能正常运转，更不用说在其中读写数据了。

硬盘固件分为几个不同的工作区，不同品牌、不同型号的硬盘，其工作区各不相同，不同工作区的组成模块也不尽相同，有的硬盘只有A、B两个工作区，而有的硬 盘有A、B、C 三个工作区。硬盘的固件信息以模块的形式表现出来，可能每个模块记录一个信息，也可能一个模块记录多个信息。这些模块的大小并不一致，有些模块只有几个字节，有些则达到几十个字节，它们并不是连续存放的，而是各有其固定的位置。硬盘固件的信息模块包括管理模块、配置和设置表、缺陷列表以及工作记录表等。

为了解决为了组合廉价的小磁盘来代替昂贵的大磁盘，同时在磁盘失效的时候能保护数据。引入了RAID机制，RAID可以充分发挥出多块磁盘的优势，可以提升磁盘速度，增大容量，提供容错等能力，此种RAID方案被服务器、存储厂家延用至今。

RAID 0

又称为Stripe或Striping(分条)，即数据分条技术。RAID 0可以把多块硬盘连成一个容量更大的硬盘群，从而提高磁盘的性能和吞吐量，要求至少两个磁盘。

优点 ：

读写性能高，可用容量为各个磁盘的容量和；

缺点

无容错，无冗余，不适用于安全性要求高的类型。

RAID 1

又称为Mirror或Mirroring(镜像)。RAID 1把一个磁盘的数据镜像放在另一个磁盘上面，在不影响性能的情况下最大限度的保证系统的可靠性和可修复性。

优点

很高的数据冗余能力，安全性高 ；

缺点

磁盘容量是总容量的一半，成本高。

RAID 5

是RAID 0和RAID 1的折衷方案，但没有完全使用RAID 1镜像概念，而是使用了“奇偶校验信息”来作为数据恢复的方式，需要至少三个或更多的磁盘。

优点

容错性，数据冗余能力，读性能高，安全性较高 ；

缺点

与RAID 1相比，由于采用的是奇偶校验方式，数据保障程度要差一些，而磁盘利用率要高一些。

RAID 10

又称为镜像阵列条带。如RAID 0一样，数据跨磁盘抽取，也如RAID 1一样，每个磁盘都有一个镜像磁盘。因此RAID 10又称为RAID 0+1。

优点

100%数据冗余，安全性高 ；

缺点

价格相对较高，磁盘利用率50%。

 

硬盘固件Bug？

在腾讯云的公告称因硬盘固件Bug，导致文件系统元数据受损，数据无法恢复。相信一线的运维同学对公告也有同样的疑惑：

硬盘是哪一品牌的硬盘?

服务器或存储是否进行RAID进行数据保护？

硬盘的固件的哪一版本有Bug？升级到哪个版本能避免此问题？

极小概率触发Bug，触发的场景又是什么？

存在问题硬盘下线策略是什么，会不会对使用的用户有二次影响？

建议把Bug的详情和升级方案进行公布，让更多的公司来避免相似的问题，相信也是一种贡献。

服务可用性？

腾讯云的承诺的“99.9999999%的数据可靠性，搭载了云硬盘提供三副本存储策略，保障了数据在任何一副本出现故障时快速进行迁移和恢复”。按照正常思维逻辑，前沿数控的数据有三个副本，三个副本不可能在一台机器、同一块磁盘上。难道是一个宣传销售的一个噱头？

公有云不需要备份？

前沿数控显然存在失误，云服务的使用者要对数据负责，不是完全依赖于云服务提供商。出现数据丢失跟灾备措施有直接的关系，建议使用云架构方式的企业，所有的数据必须进行多云或者异地方式进行备份。本次腾讯云与前沿数控的磁盘数据丢失事件就是血的教训。

墨菲定律告诉我们，容易犯错误是人类与生俱来的弱点，不论科技多发达，事故都会发生。而且我们解决问题的手段越高明，面临的麻烦就越严重。所以，我们在事前应该是尽可能想得周到、全面一些。

作者简介：刘晓明，某知名互联网公司运维技术负责人，拥有 10 年的互联网开发和运维经验。一直致力于运维工具的开发和运维专家服务的推进，赋能开发，提高效能。