公司系统突然断网，客服电话被打爆，订单没法处理，老板急得在办公室来回转圈——这种情况不少见。网络运维不是只管路由器和交换机，真正的考验是当故障发生时，系统能不能撑住。容灾，就是为这种“万一”做准备。
什么是容灾？别被术语吓到
容灾说白了，就是“主系统挂了，备用系统顶上”。比如你家宽带坏了，立刻切到手机热点，不影响工作。企业级的容灾更复杂，但逻辑一样：保证关键业务不中断。
从网络层开始设计冗余
单条光纤、单一出口、一台核心交换机，都是风险点。合理的做法是双线接入，比如电信 + 联通，通过 BGP 自动切换。核心设备至少做堆叠或 VRRP，一台出问题另一台接替。
举个例子，某电商公司在双十一前做了链路冗余测试。模拟主线路中断，系统在 3 秒内自动切换到备份线路，用户完全无感。这种平滑过渡，靠的就是提前部署。
服务器与应用层的高可用
光有网络冗余不够，后端服务也得跟上。数据库主从复制、Web 服务集群部署，配合负载均衡（如 Nginx 或 F5），任何一台服务器宕机都不会影响整体访问。
常见配置片段：
upstream backend {
server 192.168.1.10:80 weight=3;
server 192.168.1.11:80 backup;
}上面这段 Nginx 配置中，backup 标记的节点就是灾备机，主节点异常时才会启用。
异地容灾：别把鸡蛋放一个篮子
本地机房着火、停电怎么办？得有异地数据中心。很多公司选择在不同城市部署镜像站点，通过 DNS 智能解析或全局负载均衡（GSLB）实现流量调度。
比如北京机房故障，DNS 自动将用户请求指向上海机房。虽然延迟略高，但服务没断，比全面瘫痪强得多。
定期演练，别让预案躺在文件夹里
很多公司写了厚厚的容灾方案，但从没真正试过。结果一出事，发现脚本权限不对、备份数据损坏、切换流程卡壳。建议每季度做一次真实切换演练，哪怕只是短暂切流。
有家公司做过一次“盲演”，运维团队只知道当天会触发容灾，但不知道具体时间。结果暴露了监控告警延迟的问题，及时补上了漏洞。
日志与监控是容灾的眼睛
没有监控的容灾等于蒙眼开车。Zabbix、Prometheus 这类工具要实时跟踪链路状态、设备健康度、服务响应时间。一旦指标异常，自动告警甚至触发切换流程。
比如设置规则：如果主线路延迟持续超过 500ms 且丢包率 > 30%，自动降权该线路。这类策略能大幅缩短故障响应时间。