------------------------------------------------------------------------------------------------------------------------

【轉載】51CTO部落格：http://mp.weixin.qq.com/s/0CJljYZ2yL9ogL1idqqBjg

雖然文章好多地方不明白，但是覺得寫的很好，拿來學習、存檔。感謝51CTO部落格的整理

------------------------------------------------------------------------------------

回顧運維十年，如有一次重來的機會，什麼才是最重要的？什麼才是團隊需要優先做的？才能在未來支撐我們更好的前行。

注：本文整理自 WOT網際網路運維與開發者大會 主題分享《如果運維可以重來一次》

“十年"不苟且的運維之路

加入騰訊已十年的運維老兵趙建春，回顧這十年：

• 2004年：加入騰訊，做賀卡開發；

• 2005年：加入QQ空間開發團隊，負責留言版模組；

• 2006年~至今：公司組織架構調整，接觸運維工作。

期間，他帶領運維團隊負責QQ延伸出來的各種社群的運維和維護，包括QQ空間、QQ音樂、QQ會員、QQ秀等一系列的QQ產品。團隊89個人，維護了10萬家伺服器。

• 紅米在QQ空間首發時，90 秒賣出 10 萬臺裝置，獲得1億點贊；

• 天津大爆炸事件，把天津 2 億多活躍使用者，從天津快速調到深圳以及上海；

• 春節紅包準備工作，2016年比2015年的紅包訪問量增長了10倍+，快速的擴充了 5000 臺裝置，最高訪問量達到 477 萬次/秒。

不要讓自己變成一個救火隊員

作為運維，最重要的是先保證自己做的系統可靠、不會輕易出錯，不要讓自己變成一個救火隊員。可靠之後，就要用更多時間去解決效率問題，讓工作變得更加高效，追求更高的目標。

對團隊工作幫助最大的是什麼？

• 資源管理：把寫出來的程式和程式碼，進行清晰劃分和分類，對每個資源採用不同形式進行搭建；

• 容錯方案：在維護海量服務、運維過程中出現故障時，確保不能影響專案服務，伺服器要做到及時處理；

• 統一架構 CMDBA：把一個業務模組上所有依賴資源全部登記進去；同時如果做快速決策和排程，還需要有效的監控。

• DLP：內部定義的一個非常關鍵的監控，這個點發生後，可以知道哪裡出現故障；

• 入口監控：告知出現故障的根源在哪兒，容錯方案的 L5 是用來解決容錯、灰度，路由等。

運維團隊的五個“殺手鐗”

L5 系統

世界上管理伺服器最多的系統

運營管理系統管理了上億伺服器，脈絡非常清晰，根本不會出現混亂。L5 系統（上圖）也類似於 DNS 系統，有一排能提供的服務模組，從而解決的單點問題。

L5 如何做容錯？

L5－主機／介面級的容錯原理

L5 有由 L5、DNS 和 L5、agent 兩部分構成。CGI 通過給模組提 ID，根據模組下裝置的成功率和延遲情況，通過 IP+PROT 給 CGI 一個反饋，訪問之後，通過成功率和延遲情況，把資料上報給了 L5agent，然後做統計資料。

當發現失敗率特別低的時踢掉。當發現成功率和失敗率有一定下降，會把訪問權重降低，從而達到容錯和負載均衡的作用。

可以註冊一個模組，加多臺裝置，形成容錯效果。如發現一臺機器失敗率很高，就把它踢掉。它成功率恢復過來，還可以再加回來。

新加一臺伺服器設計它的權重為 1，假如之前的是 100，可以逐漸上線。還可以給它一個得分，得分下降的時候，快速把它踢掉。L5 具有灰度、容錯、路由、負載均衡的能力。

L5 對運維團隊有哪些幫助？ 

• 減少了 80~90% 的日常故障；

• 不再需要頻繁的變更 ip+port（也是故障源）；

• 同過名字便利的服務上下線；

• 通過權重灰度上線；

• 模組訪問關係可幫助定位根源故障；

• 介面的延遲和失敗率可用來監控；

• 集容錯、負載均衡、路由、灰度、監控能力於一身。
  

統一框架和架構

團隊裡有上千號開發同事，每年會有大量畢業生加入，也會有社交同事。進來以後，都希望為平臺做更多的程式碼貢獻、展現自己的技術實力，亦或是提高自己。

那麼，問題來了。在開發過程中，如下圖，有管道、訊息佇列、資訊檔案鎖、記錄鎖、檔案影射記憶體、還有迭代伺服器 Select poll Io 等，這些是用各種各樣技術組合生產出來的程式碼，交給團隊維護，數以萬計不同性格的伺服器，要掌握得非常好，瞭解它的工作機制和原理，更好的維護它基本上是不可能的。

那怎麼辦呢？把網路通訊部分列成一個標準框架，提高它的通訊效率，統一維護。

統一框架

業務邏輯部分用 SO 動態庫方式編寫與框架分離部署，類似 Web 伺服器上的CGI。接入層用 QZHTTP，邏輯層是 SPP 和 SF 的框架。

作為社群類服務，雖然使用者的熱點並不是很集中，但資料量、訪問量還是很大。大量用 CKV 儲存，同時針對訪問量非常大的問題，如說使用者沒有開通空間，遊戲使用者，會員等標記，之後均做一個定位，形成一個高訪問量的模組即可。

如下圖，是一個架構體系：

• 接入層是 TGW，流量從它進、從它出；

• 中間層，利用 L5 進行排程；

• 儲存層，因為每一個儲存模組要分耗段，故加入 Access，從上到下把技術架構進行了統一規範，同時在組織上也通過接入邏輯運維層，進行標準化的維護。

統一框架對運維有什麼幫助？

網路框架和業務邏輯 SO 分離管理、運維人員學習成本大大降低、框架穩定性極大提高、可跨業務統一維護、運維效率提升最高可達 10 倍。

資源打包管理

如上圖，資源打包管理是對開發出的程式包進行標準打包操作，一個程式開發出來有不同特徵，有需要加銀行引數，有需要依賴目錄，還有需要前面準備工作和後續善後工作。

把它全部放在一個類似於包裡面，裝進一個盒子裡。之後提供標準的操作介面，如安裝、解除安裝、啟動、停止操作等這些操作讓它們變成有關聯的。

資源打包管理對運維有什麼幫助？

部署規範統一，再也不擔心找不到、標準化了操作介面，極易學習掌握、支援前後置指令碼做準備和善、程序級運轉的所有資源的完整映象。

資源登記——CMDB 虛擬映象

資源登記到二級 CMDB 形成服務的虛擬映象，除了傳統基礎配置資訊，把一個模組依賴的資源，全部記錄進 2 級 CMDB，形成一個模組的虛擬映象。

CMDB＋資源＝虛擬映象

CMDB 虛擬映象對運維有什麼幫助？

一個模組運轉的所有資源的“完整映象”、記錄了模組運轉所依賴的所有資源、不再需要文件說明。

決策排程——織雲自動化部署平臺

在團隊內部有織雲自動化部署平臺，從申請裝置獲取資源、釋出部署、檢測，進行測試，上線。在每個環節還有些細節步驟，如申請裝置的時遮蔽告警事件，如釋出時同步傳輸檔案、如釋出後檢測程式的包程序是否啟動，啟動之後進行業務測試。

織雲自動部署流程 23 步

如下圖，是織雲內部自動化部署的平臺。相當於把這個程序開發出來以後，依賴的資源全部打包放在盒子裡，把盒子裡的東西放資源倉庫中，有一些模組全部登記在 CMDB。

騰訊織雲自動化運維體系

如果要部署一個模組 A 或進行擴容，可以人工觸發或自動系統觸發。

控制人工系統進行操作，把模組邊上三個資源，由資源倉儲部署在模組 1 上，通過 L5 系統進行一個註冊，這個模組就可自動上線

。之後會把一個模組登記回來，對它進行自動化操作，每一個方塊是一個步驟，這個步驟執行過去之後是綠色的，執行失敗是紅色，沒有執行是灰色。

執行成功就可以看到，可以做自動化的擴容，可以做日常演習，還可以回收等工作。

織雲全自動擴縮容

運維規範的推進歷程

如下圖，是運維規範的推進歷程。看起來是自然而然的過來。但實際上這個過程並沒有那麼容易。

趙建春

趙建春，騰訊社交網路運營部助理總經理、技術運營通道會長、專家工程師。04年加入騰訊，先後從事過研發、運維、資料方面的建設和管理工作，在海量技術運營方面積累了豐富的實戰經驗。