AWS 运营 10 周年学到的 10 条经验教训

【编者的话】 2006 年 3 月 14 日，亚马逊发布 Amazon S3，创造性的开启了自己的云时代。转眼间，已经过去 10 年。近日，亚马逊 CTO Werner Vogels 在其博客发表了《 10 Lessons from 10 Years of Amazon Web Services 》的总结性文章，阐述了这些年踩过的坑和自己的经验。扇贝网工程师赵余对本文进行了全文翻译，InfoQ 授权转载并发布。

AWS（Amazon Web Service） 开始于 2006 年 3 月 14 日 Amazon S3 的发布，距今已经有十年的时间了。回过头来看，过去这十年，对于构建和运营 AWS 这种需要确保安全性、可用性、可扩展性、性能可预知性，同时价格还要尽可能低廉的云计算服务，我们积累了大量的经验教训。考虑到 AWS 是云计算行业的开拓者，这些经验教训对我们来说变得更加重要。就像我们经常说的那样，“没有面向经验的压缩算法”，任何经验都来之不易。考虑到 AWS 有着超过一百万的月活跃用户，而这些用户中有些需要服务的自家用户则高达数千万，因此，积累上述经验教训的机会在 AWS 比比皆是。

在这些经验教训中，我挑选了一些分享给大家，希望对各位也能有所帮助。

1. 构建可持续演进的系统

从做 AWS 的第一天开始，我们就清楚地认识到，我们在做的这套系统不是一劳永逸的。现在可以用的系统，一年之后很可能将不再适用。我们的预期是，随着（用户）量级的每一次增加，我们都需要重新检视和适当修改我们已有的架构，以便解决扩展性的问题。

但是我们并没有采取过去常用的，通过停机维护进行系统升级的方式来实现上述目标，因为 AWS 支持的大量客户背后，是提供 7 x 24 小时服务的遍布全球的商业机构。因此，我们需要构建的，是一个可以在新增模块的时候不停机的架构。Amazon 杰出的工程师 Marvin Theimer 有一次开玩笑说，Amazon S3 这项服务的持续演进，就好比是开飞机。我们最开始开的是一架单引擎的赛斯纳，后来换成了一架波音 737，之后又换成了一个波音 747 小队，而现在更像是由空中巨无霸空客 A380 组成的一个大型机队。最重要的是，整个过程飞机都没有降落过，我们一边通过空中加油确保飞机的正常飞行，一边在万米高空上将 AWS 的用户，从一架旧飞机挪到另一架新的上面去。同时，AWS 的用户对此毫不知情。

2. 预料到不可预料的情况

出问题是肯定的，至于什么时候出，只是个时间问题。从路由器到硬盘，从操作系统到内存里的 TCP 数据损坏，所有的组件都有可能出错。有时候，错误是暂时的，有时候则是完全宕机。不管你用的是最好的还是廉价的硬件，出问题总是不可避免。

在服务规模变得很大之后，这个问题愈加地凸显：举例来说，Amazon S3 服务时时刻刻都在处理着万亿级的存储请求，（在这种规模下）任何出错概率极小的问题都会被放大，进而影响到具体的业务。在设计和实现阶段，这些问题中的一部分事先会被考虑到，而更多的则是完全不知情。

因此，我们需要构建的，是一个对于未知错误保持高容忍度的系统。这个系统应该要做到，即使在“后院已经着火”的情况下依然可以继续运行。局部组件出现小问题的时候，系统应该能继续运行，而不是直接宕机。对此，我们学会了一套控制未知错误的影响范围的技能，以期将这些错误对系统健康度的影响降至最低。

3. 多提供元语，少提供框架

很快我们就发现，用户大都喜欢在 AWS 提供的服务上持续构建和演进自己的业务系统。在摆脱了传统 IT 硬件和数据中心的束缚之后，他们开始以一种全新、有趣的、之前从未出现过的模式开发自己的系统。也正是因为如此，为了满足用户多样的需求，我们的架构需要保持高度的灵活性。

关于这一点，很重要的一个机制就是，我们提供给用户的是一系列元语和工具，用户可以自由选择组合来使用，而不是由我们提供一个大而全的统一的框架。这个机制给我们的用户带来了巨大的成功，甚至 AWS 自身后续的一些服务也用上了这套机制，就像我们的普通用户一样。

同样重要的一点是，我们很难在用户还没开始使用一个服务之前，就准确预知到该服务的最终形态。这也是为什么所有的新服务最初都会以最小的功能集发布，然后借助用户的反馈，再对该服务进行后续的扩展。

4. 自动化非常关键

开发一个需要持续维护的软件服务和开发一个最终交付给客户的软件有着巨大的差异，管理一个像 AWS 这种规模的系统，需要一种完全不同的观念，才能确保满足用户对可用性、性能以及可扩展性的要求。

实现这个目标的一个主要的机制，就是避免手工操作，尽可能的将管理工作自动化。为此，我们需要实现一套可以控制主要功能的管理 API。在这方面，我们同时也对自己的用户给予帮助。通过将应用解耦成一个个独立的模块，每个模块都有自己的管理 API，你可以很方便的定义自动化规则来进行大规模的维护。判断自动化做的是不是到位，可以思考一下你是不是还需要 ssh 到某台服务器进行一些运维操作？如果答案是 yes，说明你的自动化做得还不够好。

5. API 定义要严谨，因为一旦上线就无法更改

我们在 Amazon 零售项目中已经接受过类似的教训，但对于 AWS 这种以 API 为中心的服务，这个原则变得更加重要。一旦用户开始用我们的 API 开发他们的应用和系统，我们就不可能再对这些 API 进行变更了。因为 API 的任何改动都会影响到用户已有的项目。因此我们充分意识到，在 API 给到用户之前，我们只有一次将 API 做对的机会。

6. 监控你的资源使用情况

当你为一项服务确定计费模式的时候，请务必确保你有一份关于该服务的资源成本和运营的数据。对于边际成本很低的业务尤其如此。作为服务提供商，AWS 需要对服务成本保持足够的敏感，以便我们能清楚地认识到我们是否承担得起某项服务，同时也能够定位到一些可以通过提高运营效率而进一步降低成本的地方，并借此降低服务价格，最终惠及用户。

举一个例子，早期的时候，我们对于 Amazon S3 服务所用到的资源成本并不是很清晰。我们当时假定，存储和带宽应该是我们首要考虑的收费点；后来运行了一段时间之后，我们才意识到，请求数跟存储与带宽同等重要。如果某个用户有大量的小文件要存储，这种情况下，即使是百万量级的请求，都不会占用太多的存储和带宽资源。最终我们做了调整，将请求数也纳入了计费模型，以便 AWS 在收支上可以保证这项服务的可持续性。

7. 从头开始建立安全机制

保护你的用户，这一点的优先级永远都应该排在第一位，在 AWS 也不例外。不光要从运营的角度，还要从工具和机制的角度保证这一点。对此，我们也将继续保持最高的支持与投入。我们很快就学到的一个经验就是，为了实现安全的服务，我们需要在服务设计的最初阶段就抱有这种安全意识。安全团队的任务不是在一项服务实现完了之后才开始安全检查，相反地，安全团队的工作应该和开发团队一道，贯穿于整个项目的生命周期，以确保项目的安全性。总之，涉及到安全的问题，没有任何妥协的余地。

8. 数据加密是“一等公民”

数据加密，是保证用户数据安全的重要机制。十年前，数据加密相关的工具和服务还不够完善，直到 AWS 刚开始运营的最初几年，我们才逐步积累了很多关于在服务中集成数据加密的最佳实践。

Amazon S3 最初提供的，是服务器端的加密机制。当我们在数据中心移除带有用户数据的磁盘的时候，这些数据就无法被访问到了。但是后续上线的诸如 Amazon CloudHSM 和 Amazon Key 管理服务，均向用户提供了自定义加密密钥的机制，这样一来，AWS 就不需要替用户维护这些加密密钥了。

现在，AWS 所有的新服务，在原型设计阶段就会考虑到对数据加密的支持。比如，在 Amazon Redshift 服务中，每一个数据块都通过一个随机的密钥进行加密，而这些随机密钥则由一个主密钥进行加密存储。用户可以自定义这个主密钥，这样也就保证了只有用户本人才能访问这些机密数据或敏感信息。

数据加密在我们的业务中的优先级一直非常高。我们也会持续改进，让数据加密机制用起来更简单，最终，让用户能更好地保护自己的数据安全。

9. 网络的重要性 AWS

服务支撑了各种各种的负载场景。从高并发处理到视频转码，从高性能并行计算到海量的网络请求。这些不同的负载场景，对网络的要求也各不相同。

关于数据中心的设计和运营，AWS 开发了一套独特的机制，这套机制提供了灵活的网络基础设施，以便满足任何用户的不同负载场景的需求。在这个过程中，我们也认识到，为了让用户达成自身的目标，我们必须开发自己的网络解决方案。这样也能满足我们自身的一些定制化的需求，比如在保证高安全性的同时，通过网络来隔离用户的能力。

AWS 自主开发的这套软硬件解决方案，也能给用户带来进一步的性能提升。关于这一点，有一个成功的例子，那就是虚拟机之间的网络通信。由于网络通信是一个共享的资源，在使用 AWS 自己定制的解决方案之前，用户时常会遇到网路拥堵的问题。最终，AWS 通过开发支持单个根 IO 虚拟化技术的 NIC，实现了给每个虚拟机虚拟出自己的 NIC 的解决方案。这一改动成倍地降低了网络延迟，同时提升了高达十倍的网络性能。

10. 不设限，保持平台的中立与开放

随着时间的推移，AWS 团队提供了越来越多的服务和功能，这也给我们的用户创造了一个广阔的开发平台。但是 AWS 远不止我们团队开发的这些功能与服务，一些合作伙伴基于 AWS 提供的服务进一步扩大和丰富了整个系统的生态。比如，我们的合作伙伴 Stripe 提供的支付服务得以让 Twilio 在 AWS 上支持电话业务。很多用户基于 AWS 本身的服务，开发出自己的产品，用于解决特定的垂直领域的问题。

比如，飞利浦开发了用于健康数据管理的 Healthsuite 数字平台，Ohpen 则基于 AWS 开发出自己的零售银行平台，Eagle Genomics 开发了自己的计算平台用于基因处理等等，这样的例子不胜枚举。AWS 并不会限制我们的合作伙伴，规定他们什么可以做什么不可以做。“不设限”的原则释放了创新的动力，为意想不到的创新敞开了大门。

对于在接下来的十年里， AWS 的团队会学到哪些经验教训，我们的用户又会创造出什么样的价值，我充满了期待。

永远记得，对 AWS 来说，这仅仅是一个新的开始。

编后语

《他山之石》是 InfoQ 中文站新推出的一个专栏，精选来自国内外技术社区和个人博客上的技术文章，让更多的读者朋友受益，本栏目转载的内容都经过原作者授权。文章推荐可以发送邮件到 editors@cn.infoq.com。

立即免费注册 AWS 账号，获得 12 个月免费套餐：点击注册

有云计算问题？立刻联系 AWS 云计算专家：立即联系