Selama beberapa hari terakhir, saya telah membaca berita tentang gangguan layanan di Microsoft, FAA, United Airlines, Chase, dan Amtrak. Saya juga telah menghubungi teman-teman, anggota keluarga, dan karyawan yang terdampak gangguan tersebut, untuk menanyakan apakah mereka baik-baik saja dan bagaimana mereka akan pulang.
Kata “gangguan” terasa berbeda ketika seseorang yang Anda sayangi terjebak di bandara. Di balik penjelasan teknis tersebut, ada anak-anak yang kelelahan, penumpang lanjut usia yang mengantre, penerbangan lanjutan yang terlewat, dan rencana yang berantakan. Bagi sebuah bisnis, hal ini bisa berarti pesanan yang hilang, pembayaran yang tertunda, dan satu hari kerja yang terbuang percuma.
Saya adalah pendiri dan CEO OPSWAT, sebuah perusahaan keamanan siber yang berfokus pada perlindungan infrastruktur kritis. Saya juga seorang pilot bersertifikat penerbangan instrumen. Melihat insiden-insiden ini, saya terus-menerus kembali pada pertanyaan yang sama: mengapa kita tidak menerapkan lebih banyak prinsip-prinsip yang memastikan pesawat terbang tetap beroperasi pada infrastruktur yang kita andalkan setiap hari?
Sebuah pesawat terbang memadukan sistem tenaga, navigasi, komunikasi, dan pengendalian penerbangan dalam ruang yang sangat kecil. Sistem-sistem ini bekerja secara bersamaan, terkadang dalam kondisi yang sulit, sementara nyawa manusia bergantung padanya.
Desain ini mengasumsikan bahwa akan terjadi kegagalan. Sebagian besar pelatihan pilot berfokus pada mengenali kegagalan-kegagalan tersebut dan mengetahui langkah apa yang harus diambil selanjutnya. Anda berlatih selagi masih memiliki keleluasaan untuk melakukan kesalahan.
Ambil contoh, listrik. Alternator menghasilkan listrik untuk pesawat. Ya, mungkin saja itu bisa membantu mengisi daya iPhone Anda, tapi saya lebih tertarik untuk memastikan radio dan instrumen penerbangan tetap berfungsi.
Pada pesawat terbang yang dilengkapi dengan dua alternator, salah satunya dapat menopang beban-beban penting jika yang lain mengalami kegagalan. Jika keduanya mengalami kegagalan, baterai dapat menyediakan waktu operasi yang terbatas. Anda perlu mengurangi beban dan memanfaatkan waktu tersebut untuk menangani keadaan darurat.
Hal penting yang perlu diperhatikan adalah bahwa alternator dan aki bekerja dengan cara yang berbeda. Yang satu menghasilkan listrik, sedangkan yang lain menyimpannya. Aki memberi Anda cara lain untuk menjaga peralatan penting tetap berfungsi ketika sistem pembangkit listrik tidak tersedia.
Pemikiran tersebut tidak berhenti sampai di situ saja. Airbus telah mendokumentasikan desain sistem kendali penerbangan yang menggunakan perangkat keras dan perangkat lunak berbeda pada komputer utama dan sekunder, termasuk sistem sekunder yang lebih sederhana. Tujuannya adalah untuk mengurangi kemungkinan bahwa satu kegagalan dapat melumpuhkan semua cara untuk menjalankan fungsi kritis.
Saya biasanya membawa iPad saya yang dilengkapi ForeFlight sebagai pelengkap instrumen-instrumen yang sudah ada di pesawat. Perangkat ini berfungsi sebagai alat bantu tambahan, dengan kemampuan yang bergantung pada sensor-sensor yang terhubung padanya, dan saya perlu memahami batas-batasnya. Meski demikian, memiliki sumber informasi penerbangan tambahan—yang berada di perangkat keras berbeda dengan baterai sendiri—memberi saya rasa tenang.
Sekarang perhatikan pertanyaan yang sama dalam bidang TI, pada sistem-sistem kritis, dan infrastruktur kritis. Sistem-sistem ini harus mendukung kelangsungan hidup atau kebebasan, seperti pesawat terbang, sehingga kita harus memiliki pola pikir desain yang sama.
Jika sistem utama dan sistem cadangan saya menjalankan perangkat lunak yang sama, menerima pembaruan yang sama, dan bergantung pada jaringan yang sama, seberapa independenkah keduanya? Memindahkan salah satunya ke gedung lain tidak akan menghilangkan cacat dalam kode. Layanan cloud kedua mungkin masih bergantung pada layanan identitas atau sumber data yang sama.
Kita bisa mengkloning sebuah sistem dan menyalin kelemahannya sekaligus.
Jika kegagalan yang sama dapat membuat kedua sistem tersebut lumpuh, apakah kita benar-benar memiliki cadangan?
Insiden-insiden yang terjadi belakangan ini menunjukkan mengapa pertanyaan itu sangat penting.
Microsoft, 12 dan 13 November
Laporan awal mereka menjelaskan adanya cacat perangkat lunak yang tersembunyi, peningkatan lalu lintas gateway, dan penurunan kapasitas. Pengalihan lalu lintas dari server yang mengalami kegagalan justru turut menyebarkan kegagalan tersebut ke server lain yang memiliki kelemahan serupa. Microsoft memang sudah memiliki berbagai arsitektur gateway, namun beberapa layanan, termasuk Exchange Online, tidak dapat beralih ke arsitektur alternatif tersebut dalam skala yang dibutuhkan. Saya menghargai detail yang dipublikasikan oleh Microsoft. Kesimpulan dari artikel My adalah bahwa kemandirian dan kapasitas perlu diuji secara bersamaan. Saya percaya bahwa arsitektur alternatif perlu menjalankan tugas-tugas penting sebagai cadangan aktif (hot backup) ketika benar-benar dibutuhkan.
FAA, 13 November
FAA menjelaskan terjadinya kelebihan beban jaringan selama masa penggantian router. Pemblokiran dua lokasi yang diduga sebagai sumber masalah berhasil menstabilkan jaringan. Pengawas lalu lintas udara dan pilot tetap menjaga keselamatan, namun penerbangan keberangkatan di seluruh negeri terhenti. Penyebab utama masih dalam penyelidikan, dan FAA menyatakan bahwa SMART (Strategic Management of Airspace, Routes and Trajectories) tidak terkait dengan insiden ini. Pertanyaan terkait arsitektur adalah bagaimana masalah di sejumlah kecil lokasi dapat menyebar begitu luas, dan isolasi tambahan serta sistem komunikasi independen apa yang dapat menjaga lebih banyak operasi tetap berjalan dengan aman. Namun, apakah kita juga perlu menanyakan apa yang menyebabkan arsitektur yang ada runtuh, dan bagaimana SMART dapat dikesampingkan?
Amtrak, 13 November
Masalah pemesanan muncul saat para penumpang maskapai yang terlantar sedang mencari alternatif. Amtrak menyebutkan adanya pembaruan sistem dan lonjakan permintaan, meskipun penyebab teknis pastinya masih belum jelas. Inilah skenario yang akan saya masukkan ke dalam setiap simulasi pemulihan: ketika salah satu bagian infrastruktur kita mengalami kegagalan, orang-orang akan beralih ke yang lain. Sistem berikutnya pun harus memiliki kapasitas untuk menampung orang-orang tersebut.
United, 16 November
Reuters melaporkan bahwa gangguan teknis tersebut memengaruhi sejumlah aplikasi awak pesawat dan menghalangi United untuk memberikan data berat akhir pesawat untuk penerbangan yang akan berangkat. Penyebab teknis di baliknya masih belum diungkapkan. Coba pikirkan: pesawat, awak pesawat, dan penumpang bisa saja sudah siap, namun penerbangan tidak dapat berangkat tanpa informasi penting tersebut. Setiap solusi alternatif harus memiliki data muatan yang terkini dan akurat. Data cadangan kemarin tidak akan cukup. Kita perlu memulihkan sistem yang berfungsi dengan data terkini.
Chase, 16 November.
Sebuah bug perangkat lunak internal menyebabkan keterlambatan transaksi, termasuk pembayaran yang melibatkan bank lain. Dalam hal ini, proses pemulihan harus memastikan kelengkapan catatan keuangan. Pengalihan sistem secara cepat hanya akan membantu jika semua pembayaran telah dicatat, saldo akurat, dan transaksi tidak diproses dua kali. Hal tersebut harus dibuktikan dalam kondisi volume transaksi yang realistis.
Ini adalah insiden-insiden yang berbeda, dan kita harus berhati-hati dalam menarik kesimpulan selama penyelidikan masih berlangsung. Namun, sudah ada banyak hal di sini yang dapat kita jadikan bahan diskusi dalam bidang teknik.
Dan kini kami sedang mengintegrasikan kecerdasan buatan ke dalam sistem-sistem yang menjadi andalan kami.
Memulihkan aplikasi konvensional saja sudah bisa menjadi hal yang sulit. Sistem yang dioperasikan oleh AI menambahkan model, runtime, data lake, dan pipeline, yang hubungan di antara elemen-elemen tersebut bisa sulit diurai ketika terjadi masalah. Bahkan jika modelnya tetap sama, data dan konteks operasionalnya bisa berubah. Memulihkan versi kode yang lebih lama mungkin akan meninggalkan komponen-komponen yang tidak lagi dapat bekerja sama dengan benar.
Perangkat lunak tersebut dapat berjalan kembali meskipun sistem masih memberikan rekomendasi yang kurang tepat.
Itulah sebabnya saya memandang sistem AI sebagai lingkungan operasional yang hidup. Pemulihan berarti memahami apa yang telah berubah, memulihkan komponen-komponen yang kompatibel, dan memeriksa perilakunya sebelum mengandalkannya kembali.
Masyarakat tetap membutuhkan layanan tersebut selama pekerjaan itu berlangsung.
Untuk fungsi-fungsi kami yang paling krusial, saya yakin kita perlu mempertimbangkan implementasi terpisah pada arsitektur yang berbeda, yang sudah beroperasi dan siap untuk mengambil alih. Itu bisa jadi platform AI lain. Atau bisa juga sistem konvensional yang lebih sederhana yang mampu menjaga kelancaran operasi-operasi penting.
Kemandirian tersebut harus mencakup seluruh lapisan di bawah aplikasi. Perangkat lunak lain yang berada di jaringan yang sama yang mengalami gangguan mungkin tetap tidak dapat diakses. Dua model berbeda yang menggunakan data yang rusak yang sama mungkin tetap menghasilkan hasil yang buruk. Kita perlu memeriksa seluruh jalur yang menjadi dasar layanan tersebut. Kita perlu menerapkan pendekatan yang sama seperti yang saya jelaskan dalam contoh arsitektur kokpit Airbus.
Saya tahu hal ini membutuhkan biaya dan menambah kerumitan. Alternatifnya tidak perlu memiliki semua fitur yang ada pada sistem utama. Layaknya baterai di pesawat terbang, sistem ini harus dapat mendukung fungsi-fungsi esensial selama periode waktu tertentu, dengan menggunakan arsitektur yang berbeda.
Mulailah dengan menentukan hal-hal apa saja yang harus tetap berjalan, dengan kapasitas berapa, dan selama berapa lama. Jika operasi tersebut hanya dapat mentoleransi gangguan selama milidetik atau detik, hal itu menjadi persyaratan teknis yang harus kami penuhi. Pemulihan semua hal lainnya mungkin membutuhkan waktu lebih lama.
Kemudian, lakukan uji tekanan terhadap desain tersebut dalam kondisi terkendali. Matikan akses ke AI. Putuskan koneksi jaringan. Masukkan data usang, patch yang bermasalah, atau skenario serangan siber. Lakukan uji ini saat kapasitas cadangan sudah berkurang. Amati apa yang terjadi ketika pengguna sungguhan harus melakukan transisi, dan ukur apakah layanan tersebut tetap dapat digunakan dan berfungsi dengan benar.
Di kokpit, saya perlu tahu apa saja yang masih berfungsi setelah terjadi kegagalan, berapa lama sistem tersebut akan tetap berfungsi, dan apa yang harus saya lakukan selanjutnya. Saya perlu jawaban-jawaban itu sebelum lepas landas.
Keluarga-keluarga yang berusaha pulang ke rumah dan para pelaku usaha yang menanti pembayaran berhak mendapatkan persiapan yang sama dari kita.
Pada rapat kepemimpinan berikutnya, tanyakan kepada tim Anda, “jika sistem utama kita mengalami kegagalan saat ini, apa yang masih akan tetap berfungsi, dan apakah kegagalan yang sama juga dapat membuat hal itu tidak berfungsi?”
Teliti secara mendalam desain dan arsitekturnya, lalu coba temukan kelemahannya. Server mati, komunikasi terputus, atau terjadi insiden siber. Jika itu adalah sistem AI seperti SMART, pelajari komponen-komponennya. Asumsikan sistem tersebut bisa lepas kendali, batasi bandwidth, dan siapkan sistem cadangan dengan arsitektur berbeda yang siap beroperasi jika seluruh sistem mengalami gangguan.
Lalu, mintalah mereka untuk memperlihatkannya kepada Anda.
Pemadaman berikutnya seharusnya bukan kali pertama kita mengetahui apakah sistem cadangan itu berfungsi.
