1、阿里云宕机始末
阿里在变更这块有三板斧，可监控、可灰度，可回滚。另外他们内部非常喜欢用这类简短的语句传递意图。
听起来非常简单，就目前大多数互联网公司基础设施都会支持这3项，只是支持的程度不太一样，普通的监控是监控，可观测性也是监控，但是区别相差甚远。从表面上来看，很多系统号称有监控，简单而基础的有主机负载、网络流量、磁盘IO这样粗放型的监控。这种没有深入到业务内部的监控，不能说没有监控，但通过这种监控自动发现问题和快速定位故障的程度不同。可灰度和可回滚通常会结合起来使用，常用的是金丝雀、蓝绿发布，凡是刚刚上线功能，先灰度一部分流量上去试试，如果完全符合预期，那么按照正常节凑，全部发布上去。如果出现问题，一键回滚，造成的影响非常有限。
按照上述的节凑进行发布看似无懈可击，监控可以发现问题，通过灰度发布降低问题影响范围，出现问题回滚到上一个版本，但如果问题存在多个版本中，一直没有被发现，又该如何回滚？回滚太多，是否会存在数据库兼容性问题？上下游兼容性问题？新功能不可用问题？比如一个业务请求需要请求2个内部接口，才能完成一次请求的响应。如果其中有一个内部接口调用失败了，是返回部分数据？还是完全出错。假设返回了部分数据，上层业务以为是完整数据，结果可想而知。
所以上述三点完全实现起来并不是一件容易的事情。甚至，很多时候，大家过于依赖简单化的概念，进而有些自我催眠，而没有真正从技术上去做到全面的前期设计、评估、演练、优化、主动注入故障。
2、如何尽可能保证稳定性
阿里为了降低人力成本，一直在做中台，中台的本质就是消除人的不可靠性，统一管理，追求极致的效率，效率是高了，抗风险能力就弱了。对于互联网公司，有时多招聘几个人、各个部门之间各自为政未必是坏事。
除了最主要人力成本就是硬件资源，一个服务，部署在一个机房可以用，二个机房也是一样的效果。正常运行时不会有太大的收益。特别对于一些底层的基础设施本来就是一主一从架构，如果部署一套灾难切换环境，即便互为主备，在原有资源情况下需要再次翻倍。为了节约成本，如果企业不愿意这样做，那么就需要承担出现故障对应的惩罚。
稳定性从来不是一朝一夕的事情，技术只是其中的简单一环，如果你要是经常翻一些事故报告，报告中会有一些放之四海而皆准的复盘，究其根本，故障原因都是一些低级问题。
如果你是一个软件研发人员，仔细观察你当前团队工作5-10年的技术人员，无论是架构师、技术专家、甚至普通工程师，你会发现他们之间对技术的理解能力都差不多，基本上一个问题的解决方案都会比较雷同，那么为什么有的人只能做普通工程师呢？有的人却可以做架构师和技术专家，搭个框架、了解某个技术从来不是架构师的护城河，因为这些东西普通人可以很快习得。一切全在细节上，架构师对公司未来技术发展方向的把控、疑难杂症的解决、某个框架的设计或者算法的阅读能力要强于大多数人，不过这种能力很难一时看到效果或者很少用到。另外老板主要会关注一些财报和能给公司来带营收的事项，这些人会给老板一种错觉，虽然花这么多钱，但是这些人却没有产生什么价值。
对于普通工程师要想保证稳定性就必须从设计、开发、测试、上线、后续运维，保证全生命周期任何一环，都不要出现问题。但是问题都是发生在细节上，细节是什么？就是一些做了没人知道，不会有太多体现，不做可能也没有问题的事情。做细枝末节的事情很难被认可，如果做的好了，不出问题，老板可能觉着你什么都没做，接着会要求你做出一些体现价值的事情，俗称亮点。如果做的不好，领导会说，不知道你们天天到底做了什么，竟然会出这些低级问题。年终奖、加薪、晋升不要再提了。一旦老板把稳定性当成一件理所当然的事情，那么稳定性将不复存在。
3、畸形职场文化
企业招聘一大怪象，为了节约成本，淘汰年龄太大的经验丰富的技术人员，不愿意培养技术人员，接着又说社会上没有符合要求的技术人员。站在企业的角度，一方面大龄技术人员有自己的思考和想法，可能管理起来相对较难。另一方面薪资待遇相对比较高，但是加班干活可能却不如小年轻积极。这就导致一些企业在招聘的时候总是喜欢招一些年轻人，也是其中的原因之一。我觉着问题并不在大龄程序员这个群体，让我们思考一下，企业自身难道就没有问题吗？
目前国内盛产产品经理，很多毕业之后没有学过计算机专业的学生，程序员干不了，但是却可以弯道超车直接做产品经理，没有一点经验，凭借自己天马行空的想象力，想像出来一堆没有任何数据支撑的需求让程序员去实现。如果技术人员反抗，一堆产品经理围着说，这个需求已经给老板对过了，必须在这个月底上线。如果捅到老板那里，美其名曰，可以采用小步快跑，快速试错的思想（其实就是没有想清楚），总要做出一些东西出来。反正我就需求一提，技术团队来做，上线后成功了，功劳是我的，失败了也没啥坏处，互联网市场变化太快搪塞过去，找个新项目，继续画大饼。按照这个节凑，假设成功了，随着时间的积累，产品会越来越复杂，如果前期没有做好长期设计，其系统是非常脆弱的，任何一次变更可能都有发生故障的可能，不稳定性越积越多，每天都如覆薄冰，加之人员流动，那故障便是家常便饭，不仅阿里云这样，国内外大公司都出现各种各样的故障。所以有时什么都做，看似产出很高，但是不一定是好事。
不知道从什么时候起，加班就是约定俗成的。还出现了看似很有道理的人生经验，比如老板会灌输年轻人就应该多拼一下，加班才能学到更多东西，对未来也有好处。既然老板倡导，加班自然成了光荣的、可以拿来攀比的现象，比如说加班到凌晨一两点，拍个照，发个朋友圈，收到老板的点赞很开心。而管理者呢，还就吃这一套，谁加班多、会来事儿，考核的时候就更有好处。在这种氛围下，大家都知道了，只有加班哄老板开心，才能赚取更多的工资和升职加薪的机会，技术不是最重要的，就没有人愿意安心搞技术。于是出现了上班摸鱼、划水，下班写代码，最后留下各种坑。
计算机程序这种东西，虽然很多管理者对此不屑一顾，没有太大技术含量，只是一个工具而已，复制粘贴能用即可，前期看起来高效率，低成本。但是随着用户越来越多，产品就会越来越复杂，如果没有强大的底层基础设施支撑和前期的高层设计，bug会越来越多。出来混总是要还的，今天不关注技术，未来就会又要招聘无数个程序员为此加班。
不过随着时间推移，乱七八糟徒有虚名的互联网及软件公司会逐渐被淘汰，剩下的都是实实在在提供价值的公司，为了保证服务的稳定性和整体成本，公司会逐渐开始注重长期规划和投入，招聘更多有经验的程序员来设计或者重构系统，提升系统稳定性，目前这个势头国内已经出现，互联网已经进入存量时代，程序员这个行业招聘越来越严格，有经验有能力程序员会越来越吃香，而不是被随意调侃和裁员。
原创不易，随手关注或者”在看“，诚挚感谢！
