EasyCkpt：AI大模型高性能状态保存恢复
因此，在发生故障时，迫切需要一种以低成本的方法来保存最新的Checkpoint。这样在重新启动训练时就无需重复计算，从而减少时间和成本的浪费。功能介绍 针对频繁故障的情况，PAI通过之前的故障失败场景总结出以下GPU和深度学习场景故障的...
设计方案
风险预测：风险预测是指在发生故障前，通过数据分析、机器学习等方式，预测系统的风险情况，提前进行预防和处理。在故障应急响应中，风险预测可以作为重要参考，帮助快速识别问题的根本原因，提高故障处理效率和精度。故障响应 在发现故障...
代码逻辑场景
受影响的请求数 否 0 限制最多发生故障的请求总数，每生效一次故障计数加1，累计发生故障请求数超出设定值后，请求则不再发生故障。填写数值小于等于0时，则表示不限制。受影响的请求占比（%）否 0 限制发生故障的请求数占所有应该发生故障...
DeviceLinkDown
DeviceLinkDown事件提示您线下机构侧动态路由邻居发生故障或者静态接入链路发生故障。告警信息 事件名称 事件级别 状态码 状态描述 DeviceLinkDown CRITICAL linkdown Device Link State Change 可能原因 用户侧交换机设备故障。用户侧交换...
如何通过 mPaaS 框架解决 App 线上问题
如果真的在线上发生故障，开发者就可以通过服务器推送开关，及时将故障代码关闭。这种推拉结合的方式，即时到达率 100%。发布 H5 离线包更新如果某些故障是发生在离线包内，在定位到问题后，可以直接通过实时发布控制台发布新的版本即可。...
采集客户端数据的高可用方案
当Logstore A发生故障时，Logstore B的数据仍然实时可用。当Logstore B发生故障时，Logstore A的数据仍然实时可用。操作步骤：在日志服务控制台上，创建Project和Logstore。创建A地域的Project A和Logstore A。创建B地域的Project B和...
实例的节点故障处理机制
当节点发生故障后，系统会对故障节点进行检查与修复。节点故障期间实例的相关服务不可用。说明 单节点实例适用于测试、培训、非核心业务等场景，生产环境建议使用副本集实例或分片集群实例以保障服务的高可用性。副本集 图 1.副本集架构 ...
基本概念
RPO Recovery Point Objective（数据恢复点目标），指应用发生故障时预期的数据丢失量。例如，RPO=15 分钟，表示在应用发生故障时，最近 15 分钟的数据无法在云上恢复。RTO Recovery Time Objective（恢复时间目标），指故障发生时，在云...
JVM注入动态脚本
受影响的请求数 否 0 限制最多发生故障的请求总数，每生效一次故障计数加1，累计发生故障请求数超出设定值后，请求则不再发生故障。填写数值小于等于0时，则表示不限制。受影响的请求占比（%）否 0 限制发生故障的请求数占所有应该发生故障...
跨地域容灾
容灾系统部署在阿里云的两个地域中，当生产站点发生故障（例如海啸、地震）时，业务系统切换到容灾站点。生产站点和容灾站点部署在不同的地域，提供容灾即服务，分钟级的高可靠的业务持续性保障，有效避免了地域性灾害导致的系统故障。
资源调整
实时计算Flink版支持对工作空间和项目空间的资源进行调整。您可以创建多个项目空间，为每个项目空间分配单独的资源和权限，通过项目空间实现资源和权限的完全隔离。本文为您介绍如何进行工作空间和项目空间的资源调整。注意事项 当RAM用户...
应用场景
当其中一部分ECS实例发生故障后，CLB 会自动屏蔽故障的ECS实例，将请求分发给正常运行的ECS实例，保证应用系统仍能正常工作。同城容灾（多可用区容灾）为了提供更加稳定可靠的 CLB 服务，CLB 已在各地域部署了多可用区以实现同地域容灾。当...
光模块故障
本文介绍光模块发生故障的原因和处理方法。问题现象 光模块连接后，接口指示灯没有变为绿色。可能原因 光模块不兼容或损坏。智能接入网关设备支持的光模块型号请参见 光模块型号。说明 目前仅SAG-1000设备支持光模块插入。解决方案 通用多...
功能概述
数据库发生故障后，无法在发生故障时定位到原因，可以通过智能压测功能，在克隆库上复现故障场景，定位故障原因。功能架构 智能压测的功能架构如下图所示：源数据库：将要进行大促、将要业务变更或者已经发生故障，需要进行流量捕获的数据...
单实例快速恢复
该方案为当前每个实例内部默认启用，当系统发生故障时，无需手工运维介入，系统可以自动恢复。在恢复期间，如果查询算子需要访问恢复中的节点，则查询会立即失败。节点恢复速度在一分钟左右，当表数量明显增加时，恢复时间会更长。Hologres...
高可用版
优势 可用性 采用经典高可用架构，主备之间通过复制（默认半同步）实现数据同步，一旦主库发生故障，将迅速检测并触发主备切换来保证可用性。备库故障对业务无影响，但会快速被检测到并触发备库自愈。可靠性 计算与存储分离，计算节点的...
主从（备）切换原因
实例故障 阿里云检测到实例发生故障，无法正常使用，系统会发起主从（备）切换，及时恢复业务正常运转，缩小故障影响范围。主从（备）切换完成后，实例状态会显示运行中，您不需要进行任何操作，实例可以正常运行。您可以在 服务可用性 ...
备份和灾难恢复
阿里金融云可以支持同城双活/灾备、两地三中心等架构方式。1.同城双活 同城双活、灾备是阿里金融云的...故障切换回切：DNS将生产IP从原生产中心修改到灾备中心，实现跨Region的故障切换和服务恢复机制，主站发生故障时，由备站继续提供服务。
同城容灾架构概述
非机房级故障（某个机房的单产品故障，例如其中一个机房的ECS服务器损坏），可以通过对单产品的灾备设计来保障发生故障时系统及时切换。应用设计相关参考标准 应用设计相关参考标准如下：无状态化。分布式集群设计、避免单点逻辑出现。幂等...
概述
分布式系统将计算任务和数据分布在多个节点上以实现更高的性能、可靠性和可扩展性，当一个节点发生故障或错误时，其他节点可以继续工作，相比于单机系统，架构本身就有较高的节点容错性。但随着服务拆分，更多组件的引入，分布式系统的复杂...
什么是混合云容灾服务
RPO Recovery Point Objective（数据恢复点目标），指应用发生故障时预期的数据丢失量。例如，RPO=15 分钟，表示在应用发生故障时，最近 15 分钟的数据无法在云上恢复。RTO Recovery Time Objective（恢复时间目标），指故障发生时，在云...
为什么实例会发生主备切换？
实例异常：阿里云检测到实例发生故障，无法正常使用时，系统会立即触发主备切换，及时恢复实例，缩短故障影响时长。宿主机下线或实例异常导致的主备切换会以站内信或邮件等形式通知到您，通知内容如下：【阿里云】尊敬的*：您的云数据库...
什么是故障演练
适用场景 故障演练可适用于以下典型场景：衡量微服务的容错能力 通过模拟调用延迟、服务不可用、机器资源满载等，查看发生故障的节点或实例是否被自动隔离、下线，流量调度是否正确，预案是否有效，同时观察系统整体的QPS或RT是否受影响。...
灾备规划
RTO和RPO要求 应用容灾有两个核心的指标：RPO：指应用发生故障时可以容忍的数据丢失量。数据越重要，RPO就要求越小。RPO越小，往往要求数据备份、复制频率更高，对生产环境、网络的压力也会越大，成本通常也越高。RTO：指故障发生后，期望...
MSE注册配置中心高可用最佳实践
无容灾保护 当来自Consumer端的请求量突然增加时，如果Provider容量水位较高，会导致个别Provider发生故障：注册中心会将故障节点摘除，全量流量会给剩余节点。剩余Provider节点负载变高，大概率也会发生故障。最终所有Provider节点故障，...
名词解释
这种模式下，两个城市的三个数据中心互联互通，如果⼀个数据中心发生故障或灾难，其他数据中心可以正常运行并对关键业务或全部业务实现接管。命名空间 多活命名空间MSHA Namespace，是一个逻辑租户的概念，用于进行租户粒度的管控配置和云...
云盘异步复制概述
启动云盘异步复制功能 通过异步复制功能实现容灾恢复 您创建并启动云盘异步复制关系后，如果主盘发生故障，您可以通过异步复制提供的故障切换以及反向复制功能对主盘进行容灾恢复。通过异步复制功能实现容灾恢复 删除云盘异步复制关系 创建...
故障复盘
复盘文档一般包含以下内容：故障简述：故障概述、影响面、处理人等 故障背景：故障发生时的业务链路 故障时间线：着重强调故障引入、故障发生、故障发现、业务响应、恢复执行、故障恢复几个时间点 故障原因分析：建议先一句话总结，再进行...
服务发布策略
当新版本v2存在问题或者发生故障时，可以快速切回旧版本v1。蓝绿部署的优点：部署结构简单，运维方便。服务升级过程操作简单，周期短。蓝绿部署的缺点：资源冗余，需要部署两套生产环境。新版本故障影响范围大。A/B测试 A/B测试基于用户...
一致性复制组概述
容灾站点 除了生产站点以外另外建立容灾站点，当生产站点发生故障时，容灾站点可以接管业务，实现业务不间断。恢复点目标（RPO）由于云盘异常可能丢失的数据量，以时间为单位，是异步复制功能的数据指标之一（一致性复制组功能的RPO默认为...
DATASOURCE:ECS:DedicatedHosts
无 ActionOnMaintenance String 当专有宿主机发生故障或者在线修复时，为其所宿实例设置迁移方案。取值：Migrate：迁移实例到其他物理机并重新启动实例。Stop：在当前专有宿主机上停止实例，确认无法修复专有宿主机后，迁移实例到其他物理...
设计原则
数据容灾是指在数据中心或服务器发生故障、灾难或意外情况时，能够保证数据的安全性和可用性的一系列措施和策略。数据容灾的目标是确保在不可避免的情况下，数据的完整性、可恢复性和可用性不受到严重影响，以保障业务的持续运行和数据的...
组复制简介
数据 强 一致性 在组复制中，事务总是先传输到集群中其他节点，然后写入Binlog文件，这保证无论主节点在什么时刻发生故障，重新启动后数据都不会比集群选出的新主节点多。旧主节点故障重启后，能够自动加回集群，拉取它缺失的Binlog，就...
高性能版实例
即使计算节点发生故障，也可以保证实例无数据丢失。高可用 AnalyticDB PostgreSQL版 高性能版由于减少了一个副本，在高可用方面出现了一些下降，在物理机故障等极端情况下，集群恢复的时间会变长（8小时以内）。高性能版通过ESSD多副本技术...
源为PolarDB-X的功能规范和约束说明
警告 异常切流是指源实例或者源实例所在的数据中心发生故障时进行的切流操作。这类操作都是有损操作。在出现故障（如网络中断、机房批量设备故障或互联网数据中心IDC故障），且DTS任务存在延迟的情况下，此时如更新至目标库的最后一条数据...
源为PolarDB-X的功能规范和约束说明
警告 异常切流是指源实例或者源实例所在的数据中心发生故障时进行的切流操作。这类操作都是有损操作，例如导致数据不一致或任务失败。在出现故障（如网络中断、机房批量设备故障或互联网数据中心IDC故障），且DTS任务存在延迟的情况下，...
容灾管理服务介绍
针对有高可用需求的用户，CADT容灾管理服务提供规划、优化、部署、演练高可用业务的能力，在业务上线前及业务上线后定期进行容灾演练，验证系统是否能够抵御资源故障或者AZ故障，保障系统健壮性。主要功能 容灾规划 在用户部署资源前，通过...
故障应急协同
故障通告及更新 基于7x24监控值班工作特性，对于业务异常达到故障等级时，以用户定制的（语音、短信、IM）的方式在约定时间内将故障影响信息以及处理进展通知给对应的接收人/组，并持续更新直至故障结束。故障应急协同群 故障发生后，可以...
应用场景
以此，降低产品使用过程中故障发生概率，提高故障恢复效率，进而实现产品高可用性的有效提升。机房级容灾 同城双活 同一个城市，建设两个机房环境，两地距离 50 km 以内，万兆光纤专线互连，业务应用层面可以两个机房同时提供业务服务，当...
2024-03-13版本
当单个可用区发生故障时，Flink作业能够在另外一个可用区正常运行，从而有效避免因单个可用区故障导致服务中断，确保作业的持续性和高可用性。同城高可用 开通实时计算Flink版 资源调整 管理项目空间 修改虚拟交换机 算子探查（公测）支持...
- 产品推荐
- 这些文档可能帮助您