为什么100%可用性比99.99%贵100倍

「追求100%可用性，就像追求长生不老——理论上美好，实际上不可能，而且极其昂贵。」

一、可用性的数学

99.9% vs 99.99% vs 99.999%

可用性 年停机时间 成本倍数
99.9% 8.76小时 1x
99.99% 52.6分钟 10x
99.999% 5.26分钟 100x

从99.9%到99.99%，成本增加10倍，停机时间只减少8小时。

从99.99%到99.999%，成本再增加10倍，停机时间只减少47分钟。

边际收益递减，边际成本递增。

二、核心观点：过度工程是陷阱

让我说一个反直觉的事实：

99.99%的可用性可能比100%更可靠。

为什么？

100%可用性意味着：

  • 系统从未经历过故障
  • 团队没有故障处理经验
  • 一次真正的故障可能是灾难性的

99.99%可用性意味着：

  • 系统经历过故障并恢复
  • 团队熟悉故障处理流程
  • 故障成为常态，系统变得韧性十足

完美的系统可能是最脆弱的系统。

三、穿越周期：从「追求完美」到「追求韧性」

阶段1：追求100%可用性

  • 多重冗余
  • 严格变更控制
  • 禁止故障

结果： 系统复杂，团队紧张，故障时手忙脚乱。

阶段2：接受99.9%可用性

  • 适度冗余
  • 快速故障恢复
  • 从故障中学习

结果： 系统简洁，团队有经验，故障可控。

阶段3：追求韧性而非可用性

  • 故障成为常态
  • 快速检测和恢复
  • 用户体验优先

结果： 系统韧性，团队自信，用户满意。

四、反直觉洞察：故障让你更强

直觉： 故障是坏事，要尽量避免。

现实： 没有故障的系统，就像从未生病的人——免疫系统从未被激活。

定期的小故障：

  • 暴露系统的弱点
  • 训练团队的响应能力
  • 验证恢复流程

这是「疫苗效应」。

五、实战：如何确定目标可用性

问题1：用户能容忍多少停机？

  • 支付系统：99.99%（停机=损失）
  • 内部工具：99.9%（停机=不便）
  • 批处理系统：99%（停机=延迟）

问题2：成本承受力是多少？

  • 多一个9，成本增加10倍
  • 这个成本值得吗？

问题3：恢复能力如何？

  • 如果能5分钟恢复，99.9%可能就够了
  • 如果需要1小时恢复，可能需要99.99%

六、写在最后：足够好就是最好

完美是完美的敌人。

最好的可用性目标：

  • 满足用户需求
  • 成本可承受
  • 团队有经验

不是100%，是「足够好」。

追求99.99%并从中学习，比追求100%而从未经历故障更好。

📚 参考链接与延伸阅读

可用性与成本

成本优化

经济学视角

*Published on 2024-03-10 深度阅读时间：约 5 分钟*

SRE思维实验室系列 #09 —— 成本效益与可用性权衡