摘要： 本篇开始介绍具体的实现过程，为表述方便，先定义一些名词， AutoRepairSystem: 故障自动维修系统, 缩写为ARS 原子操作：任务的最小操作，机器任务通常是指重启、重装 运维人员：运维工程师= SRE = OP，系统工程师 = sys 远程管理工具： 远程控制操作物理机器的工具，如ipm 阅读全文

摘要： 前言 大规模集群，通常是一家公司经过多年发展积累起来的，机器规模达到数万台，服务类型涉及接入、web、业务逻辑、cache、大数据、机器学习等，有以下特点， 特点 现象&问题 机器规模大, 过保机器多，故障率高 数万台机器的集群，过保机器超过30%，硬件故障率约1.3%，其中磁盘故障率约7.5% 业 阅读全文