互聯(lián)網(wǎng)運維工作，以服務(wù)為中心，以穩(wěn)定、安全、高效為三個基本點，確保公司的互聯(lián)網(wǎng)業(yè)務(wù)能夠 7×24 小時為用戶提供高質(zhì)量的服務(wù)。

運維人員對公司互聯(lián)網(wǎng)業(yè)務(wù)所依賴的基礎(chǔ)設(shè)施、基礎(chǔ)服務(wù)、線上業(yè)務(wù)進行穩(wěn)定性加強，進行日常巡檢發(fā)現(xiàn)服務(wù)可能存在的隱患，對整體架構(gòu)進行優(yōu)化以屏蔽常見的運行故障，多數(shù)據(jù)中接入提高業(yè)務(wù)的容災(zāi)能力。

通過監(jiān)控、日志分析等技術(shù)手段，及時發(fā)現(xiàn)和響應(yīng)服務(wù)故障，減少服務(wù)中斷的時間，使公司的互聯(lián)網(wǎng)業(yè)務(wù)符合預(yù)期的可用性要求，持續(xù)穩(wěn)定地為用戶提供務(wù)。

在安全方面，運維人員需要關(guān)注業(yè)務(wù)運行所涉及的各個層面，確保用戶能夠安全、完整地訪問在線業(yè)務(wù)。

從網(wǎng)絡(luò)邊界劃分、ACL 管理、流量分析、DDoS 防御，到操作系統(tǒng)、開源軟件的漏洞掃描和修補，再到應(yīng)用服務(wù)的XSS、SQL注入防護；

從安全流程梳、代碼白盒黑盒掃描、權(quán)限審計，到入侵行為檢測、業(yè)務(wù)風(fēng)險控制等。

運維人員需要保障公司提供的互聯(lián)網(wǎng)業(yè) 運行在安全、可控的狀態(tài)下，確保公司業(yè)務(wù)數(shù)據(jù)和用戶隱私數(shù)據(jù)的安全，同時還需要具備抵御各種惡意攻擊的能力。

在確保業(yè)務(wù)穩(wěn)定、安全的前提下，還需保障業(yè)務(wù)高效的運轉(zhuǎn)，公司內(nèi)快速的產(chǎn)出。運維工作需要對業(yè)務(wù)進行各方面優(yōu)化。

比如，IO 優(yōu)化提升數(shù)據(jù)庫性能，圖片壓縮降低帶寬使用量等，提供的互聯(lián)網(wǎng)業(yè)務(wù)以較小的資源投入帶來最大的用戶價值和體驗。

同時，還需要通過各種工具平臺提升內(nèi)部產(chǎn)品發(fā)布交付的效率，提升公司內(nèi)運維相關(guān)的工作效率。

工作分類運維

運維的工作方向比較多，隨著業(yè)務(wù)規(guī)模的不斷發(fā)展，越成熟的互聯(lián)網(wǎng)公司，運維崗位會劃分得越細(xì)。

當(dāng)前很多大型的互聯(lián)網(wǎng)公司，在初創(chuàng)時期只有系統(tǒng)運維，隨著服務(wù)規(guī)模、服務(wù)質(zhì)量的 要求，也逐漸進行了工作細(xì)分。

一般情況下運維團隊的工作分類（見圖1-1）和職責(zé)如下。

系統(tǒng)運維

系統(tǒng)運維負(fù)責(zé)IDC、網(wǎng)絡(luò)、CDN和基礎(chǔ)服務(wù)的建設(shè)（LVS、NTP、DNS）；負(fù)責(zé)資產(chǎn)管理，服務(wù)器選型、交付和維修。詳細(xì)的工作職責(zé)如下：

1.IDC數(shù)據(jù)中心建設(shè)

收集業(yè)務(wù)需求，預(yù)估未來數(shù)據(jù)中心的發(fā)展規(guī)模，從骨干網(wǎng)的分布，數(shù)據(jù)中心建筑，以及Internet接入、網(wǎng)絡(luò)攻擊防御能力、擴容能力、空間預(yù)留、外接專線能力、現(xiàn)場服務(wù)支撐能力等方面評估選型數(shù)據(jù)中心。負(fù)責(zé)數(shù)據(jù)中心的建設(shè)、現(xiàn)場維護工作。

2.網(wǎng)絡(luò)建設(shè)

設(shè)計及規(guī)劃生產(chǎn)網(wǎng)絡(luò)架構(gòu)，這里面包括：數(shù)據(jù)中心網(wǎng)絡(luò)架構(gòu)、傳輸網(wǎng)架構(gòu)、CDN網(wǎng)絡(luò)架構(gòu)等，以及網(wǎng)絡(luò)調(diào)優(yōu)等日常運維工作。

3.LVS 負(fù)載均衡和 SNAT 建設(shè)

LVS 是整個站點架構(gòu)中的流量入口，根據(jù)網(wǎng)絡(luò)規(guī)模和業(yè)務(wù)需求，構(gòu)建負(fù)載均衡集群。

完成網(wǎng)絡(luò)與業(yè)務(wù)服務(wù)器的銜接，提供高性能、高可用的負(fù)載調(diào)度能力，以及統(tǒng)一的網(wǎng)絡(luò)層防攻擊能力。

SNAT .集中提供數(shù)據(jù)中心的公網(wǎng)訪問服務(wù)，通過集群化部署，保證出網(wǎng)服務(wù)的高性能與高可用。

4.CDN 規(guī)劃和建設(shè)

CDN 工作劃分為第三方和自建兩部分。

建立第三方 CDN 的選型和調(diào)度控制；根據(jù)業(yè)務(wù)發(fā)展趨勢，規(guī)劃CDN新節(jié)點建設(shè)布局；完善CDN業(yè)務(wù)及監(jiān)控，保障CDN 系統(tǒng)穩(wěn)定、高效運行。

分析業(yè)務(wù)加速頻道的文件特性和數(shù)量，制定最優(yōu)的加速策略和資源匹配；負(fù)責(zé)用戶劫持等CDN日常故障排查工作。

5.服務(wù)器選型、交付和維護

負(fù)責(zé)服務(wù)器的測試選型，包含服務(wù)器整機、部件的基礎(chǔ)性測試和業(yè)務(wù)測試，降低整機功率，提升機架部署密度等。

結(jié)合對公司業(yè)務(wù)的了解，推廣新硬件、新方案減少業(yè)務(wù)的服務(wù)器投入規(guī)模。負(fù)責(zé)服務(wù)器硬件故障的診斷定位，服務(wù)器硬件監(jiān)控、健康檢查工具的開發(fā)和維護。

6.OS、內(nèi)核選型和 OS 相關(guān)維護工作

負(fù)責(zé)整體平臺的 OS 選型、定制和內(nèi)核優(yōu)化，以及 Patch 的更新和內(nèi)部版本發(fā)布；建立基礎(chǔ)的YUM包管理和分發(fā)中心，提供常用包版本庫；跟進日常各類 OS 相關(guān)故障；針對不同的業(yè)務(wù)類型，提供定向的優(yōu)化支持。

7.資產(chǎn)管理

記錄和管理運維相關(guān)的基礎(chǔ)物理信息，包括數(shù)據(jù)中心、網(wǎng)絡(luò)、機柜、服務(wù)器、ACL、IP等各種資源信息，制定有效的流程，確保信息的準(zhǔn)確性；開放API接口，為自動化運維提供數(shù)據(jù)支持。

8.基礎(chǔ)服務(wù)建設(shè)

業(yè)務(wù)對 DNS、NTP、SYSLOG 等基礎(chǔ)服務(wù)的依賴非常高，需要設(shè)計高可用架構(gòu)避免單點，提供穩(wěn)定的基礎(chǔ)服務(wù)。

應(yīng)用運維

應(yīng)用運維負(fù)責(zé)線上服務(wù)的變更、服務(wù)狀態(tài)監(jiān)控、服務(wù)容災(zāi)和數(shù)據(jù)備份等工作，對服務(wù)進行例行排查、故障應(yīng)急處理等工作。詳細(xì)的工作職責(zé)如下所述。

1.設(shè)計評審

在產(chǎn)品研發(fā)階段，參與產(chǎn)品設(shè)計評審，從運維的角度提出評審意見，使服務(wù)滿足運維準(zhǔn)入的高可用要求。

2.服務(wù)管理

負(fù)責(zé)制定線上業(yè)務(wù)升級變更及回滾方案，并進行變更實施。掌握所負(fù)責(zé)的服務(wù)及服務(wù)間關(guān)聯(lián)關(guān)系、服務(wù)依賴的各種資源。能夠發(fā)現(xiàn)服務(wù)上的缺陷，及時通報并推進解決。

制定服務(wù)穩(wěn)定性指標(biāo)及準(zhǔn)入標(biāo)準(zhǔn)，同時不斷完善和優(yōu)化程序和系統(tǒng)的功能、效率，提高運行質(zhì)量。完善監(jiān)控內(nèi)容，提高報警準(zhǔn)確度。

在線上服務(wù)出現(xiàn)故障時，第一時間響應(yīng)，對已知線上故障能按流程進行通報并按預(yù)案執(zhí)行，未知故障組織相關(guān)人員聯(lián)合排障。

3.資源管理

對各服務(wù)的服務(wù)器資產(chǎn)進行管理，梳理服務(wù)器資源狀況、數(shù)據(jù)中心分布情況、網(wǎng)絡(luò)專線及帶寬情況，能夠合理使用服務(wù)器資源，根據(jù)不同服務(wù)的需求，分配不同配置的服務(wù)器，確保服務(wù)器資源的充分利用。

4.例行檢查

制定服務(wù)例行排查點，并不斷完善。根據(jù)制定的服務(wù)排查點，對服務(wù)進行定期檢查。對排查過程中發(fā)現(xiàn)的問題，及時進行追查，排除可能存在的隱患。

5.預(yù)案管理

確定服務(wù)所需的各項監(jiān)控、系統(tǒng)指標(biāo)的閾值或臨界點，以及出現(xiàn)該情況后的處理預(yù)案。

建立和更新服務(wù)預(yù)案文檔，并根據(jù)日常故障情況不斷補充完善，提高預(yù)案完備性。能夠制定和評審各類預(yù)案，周期性進行預(yù)案演練，確保預(yù)案的可執(zhí)行性。

6.數(shù)據(jù)備份

制定數(shù)據(jù)備份策略，按規(guī)范進行數(shù)據(jù)備份工作。保證數(shù)據(jù)備份的可用性和完整性，定期開展數(shù)據(jù)恢復(fù)性測試。

數(shù)據(jù)庫運維

數(shù)據(jù)庫運維負(fù)責(zé)數(shù)據(jù)存儲方案設(shè)計、數(shù)據(jù)庫表設(shè)計、索引設(shè)計和SQL優(yōu)化，對數(shù)據(jù)庫進行變更、監(jiān)控、備份、高可用設(shè)計等工作。詳細(xì)的工作職責(zé)如下所述。

1.設(shè)計評審

在產(chǎn)品研發(fā)初始階段，參與設(shè)計方案評審，從DBA的角度提出數(shù)據(jù)存儲方案、庫表設(shè)計方案、SQL開發(fā)標(biāo)準(zhǔn)、索引設(shè)計方案等，使服務(wù)滿足數(shù)據(jù)庫使用的高可用、高性能要求。

2.容量規(guī)劃

掌握所負(fù)責(zé)服務(wù)的數(shù)據(jù)庫的容量上限，清楚地了解當(dāng)前瓶頸點，當(dāng)服務(wù)還未到達容量上限時，及時進行優(yōu)化、分拆或者擴容。

3.數(shù)據(jù)備份與災(zāi)備

制定數(shù)據(jù)備份與災(zāi)備策略，定期完成數(shù)據(jù)恢復(fù)性測試，保證數(shù)據(jù)備份的可用性和完整性。

4.數(shù)據(jù)庫監(jiān)控

完善數(shù)據(jù)庫存活和性能監(jiān)控，及時了解數(shù)據(jù)庫運行狀態(tài)及故障。

數(shù)據(jù)庫安全建設(shè)數(shù)據(jù)庫賬號體系，嚴(yán)格控制賬號權(quán)限與開放范圍，降低誤操作和數(shù)據(jù)泄露的風(fēng)險；加強離線備份數(shù)據(jù)的管理，降低數(shù)據(jù)泄露的風(fēng)險。

5.數(shù)據(jù)庫高可用和性能優(yōu)化

對數(shù)據(jù)庫單點風(fēng)險和故障設(shè)計相應(yīng)的切換方案，降低故障對數(shù)據(jù)庫服務(wù)的影響；不斷對數(shù)據(jù)庫整體性能進行優(yōu)化，包括新存儲方案引進、硬件優(yōu)化、文件系統(tǒng)優(yōu)化、數(shù)據(jù)庫優(yōu)化、SQL優(yōu)化等，在保障成本不增加或者少量增加的情況下，數(shù)據(jù)庫可以支撐更多的業(yè)務(wù)請求。

6.自動化系統(tǒng)建設(shè)

設(shè)計開發(fā)數(shù)據(jù)庫自動化運維系統(tǒng)，包括數(shù)據(jù)庫部署、自動擴容、分庫分表、權(quán)限管理、備份恢復(fù)、SQL審核和上線、故障切換等功能。

7.運維研發(fā)

運維研發(fā)負(fù)責(zé)通用的運維平臺設(shè)計和研發(fā)工作，如：資產(chǎn)管理、監(jiān)控系統(tǒng)、運維平臺、數(shù)據(jù)權(quán)限管理系統(tǒng)等。提供各種API供運維或研發(fā)人員使用，封裝更高層的自動化運維系統(tǒng)。詳細(xì)的工作職責(zé)如下所述。

8.運維平臺

記錄和管理服務(wù)及其關(guān)聯(lián)關(guān)系，協(xié)助運維人員自動化、流程化地完成日常運維操作，包括機器管理、重啟、改名、初始化、域名管理、流量切換和故障預(yù)案實施等。

9.監(jiān)控系統(tǒng)

負(fù)責(zé)監(jiān)控系統(tǒng)的設(shè)計、開發(fā)工作，完成公司服務(wù)器和各種網(wǎng)絡(luò)設(shè)備的資源指標(biāo)、線上業(yè)務(wù)運行指標(biāo)的收集、告警、存儲、分析、展示和數(shù)據(jù)挖掘等工作，持續(xù)提高告警的及時性、準(zhǔn)確性和智能性，促進公司服務(wù)器資源的合理化調(diào)配。

10.自動化部署系統(tǒng)

參與部署自動化系統(tǒng)的開發(fā)，負(fù)責(zé)自動化部署系統(tǒng)所需要的基礎(chǔ)數(shù)據(jù)和信息，負(fù)責(zé)權(quán)限管理、API開發(fā)、Web端開發(fā)。結(jié)合云計算，研發(fā)和提供PaaS相關(guān)高可用平臺，進一步提高服務(wù)的部署速度和用戶體驗，提升資源利用率。

運維安全

運維安全負(fù)責(zé)網(wǎng)絡(luò)、系統(tǒng)和業(yè)務(wù)等方面的安全加固工作，進行常規(guī)的安全掃描、滲透測試，進行安全工具和系統(tǒng)研發(fā)以及安全事件應(yīng)急處理。詳細(xì)的工作職責(zé)如下所述。

1.安全制度建立

根據(jù)公司內(nèi)部的具體流程，制定切實可行，且行之有效的安全制度。

2.安全培訓(xùn)

定期向員工提供具有針對性的安全培訓(xùn)和考核，在全公司內(nèi)建立安全負(fù)責(zé)人制度。

3.風(fēng)險評估

通過黑白盒測試和檢查機制，定期產(chǎn)生對物理網(wǎng)絡(luò)、服務(wù)器、業(yè)務(wù)應(yīng)用、用戶數(shù)據(jù)等方面的總體風(fēng)險評估結(jié)果。

4.安全建設(shè)

根據(jù)風(fēng)險評估結(jié)果，加固最薄弱的環(huán)節(jié)，包括設(shè)計安全防線、部署安全設(shè)備、及時更新補丁、防御病毒、源代碼自動掃描和業(yè)務(wù)產(chǎn)品安全咨詢等。為了降低可能泄露數(shù)據(jù)的價值，通過加密、匿名化、混淆數(shù)據(jù)，乃至定期刪除等技術(shù)手段和流程來達到目的。

5.安全合規(guī)

為了滿足例如支付牌照等合規(guī)性要求，安全團隊承擔(dān)著安全合規(guī)的對外接口人工作。

6.應(yīng)急響應(yīng)

建立安全報警系統(tǒng)，通過安全中心收集第三方發(fā)現(xiàn)的安全問題，組織各部門對已經(jīng)發(fā)現(xiàn)的安全問題進行修復(fù)、影響面評估、事后安全原因追查。

運維工作發(fā)展過程

早期的運維團隊在人員較少的情況下，主要是進行數(shù)據(jù)中心建設(shè)、基礎(chǔ)網(wǎng)絡(luò)建設(shè)、服務(wù)器采購和服務(wù)器安裝交付工作。幾乎很少涉及線上服務(wù)的變更、監(jiān)控、管理等工作。

這個時候的運維團隊更多的屬于基礎(chǔ)建設(shè)的角色，提供一個簡單、可用的網(wǎng)絡(luò)環(huán)境和系統(tǒng)環(huán)境即可。

隨著業(yè)務(wù)產(chǎn)品的逐漸成熟，對于服務(wù)質(zhì)量方面就有了更高的要求。這個時候的運維團隊還會承擔(dān)一些服務(wù)器監(jiān)控的工作，同時會負(fù)責(zé) LVS、Nginx 等與業(yè)務(wù)邏輯無關(guān)的 4/7 層運維工作。

這個時候服務(wù)變更更多的是逐臺的手工操作，或者有一些簡單批量腳本的出現(xiàn)。監(jiān)控的焦點更多的在服務(wù)器狀態(tài)和資源使用情況上，對服務(wù)應(yīng)用狀態(tài)的監(jiān)控幾乎很少，監(jiān)控更多的使用各種開源系統(tǒng)如Nagios、Cacti等。

由于業(yè)務(wù)規(guī)模和復(fù)雜度的持續(xù)增加，運維團隊會逐漸劃分為應(yīng)用運維和系統(tǒng)運維兩大塊。應(yīng)用運維開始接手線上業(yè)務(wù)，逐步開展服務(wù)監(jiān)控梳理、數(shù)據(jù)備份以及服務(wù)變更的工作。

隨著對服務(wù)的深入，應(yīng)用運維工程師有能力開始對服務(wù)進行一些簡單的優(yōu)化。同時，為了應(yīng)對每天大量的服務(wù)變更，我們也開始編寫各類運維工具，針對某些特定的服務(wù)能夠很方便的批量變更。

隨著業(yè)務(wù)規(guī)模的增大，基礎(chǔ)設(shè)施由于容量規(guī)劃不足或抵御風(fēng)險能力較弱導(dǎo)致的故障也越來越多，迫使運維人員開始將更多的精力投入到多數(shù)據(jù)中心容災(zāi)、預(yù)案管理的方向上。

業(yè)務(wù)規(guī)模達到一定程度后，開源的監(jiān)控系統(tǒng)在性能和功能方面，已經(jīng)無法滿足業(yè)務(wù)需求；大量的服務(wù)變更、復(fù)雜的服務(wù)關(guān)系，以前靠人工記錄、工具變更的方式不管在效率還是準(zhǔn)確性方面也都無法滿足業(yè)務(wù)需求。

在安全方面也出現(xiàn)了各種大大小小的事件，迫使我們投入更多的精力在安全防御上。逐漸的，運維團隊形成之前提到的5個大的工作分類，每個分類都需要有專精的人才。

這個時候系統(tǒng)運維更專注于基礎(chǔ)設(shè)施的建設(shè)和運維，提供穩(wěn)定、高效的網(wǎng)絡(luò)環(huán)境，交付服務(wù)器等資源給應(yīng)用運維工程師。應(yīng)用運維更專注于服務(wù)運行狀態(tài)和效率。

數(shù)據(jù)庫運維屬于應(yīng)用運維工作的細(xì)化，更專注于數(shù)據(jù)庫領(lǐng)域的自動化、性能優(yōu)化和安全防御。運維研發(fā)和運維安全提供各類平臺、工具，進一步提升運維工程師的工作效率，使業(yè)務(wù)服務(wù)運行得更加穩(wěn)定、高效和安全。

我們將運維發(fā)展過程劃分為4個階段，如圖1-2所示。

圖1-2運維發(fā)展過程

手工管理階段：業(yè)務(wù)流量不大，服務(wù)器數(shù)量相對較少，系統(tǒng)復(fù)雜度不高。對于日常的業(yè)務(wù)管理操作，大家更多的是逐臺登錄服務(wù)器進行手工操作，屬于各自為戰(zhàn)，每個人都有自己的操作方式，缺少必要的操作標(biāo)準(zhǔn)、流程機制，比如業(yè)務(wù)目錄環(huán)境都是各式各樣的。

工具批量操作階段：隨著服務(wù)器規(guī)模、系統(tǒng)復(fù)雜度的增加，全人工的操作方式已經(jīng)不能滿足業(yè)務(wù)的快速發(fā)展需要。因此，運維人員逐漸開始使用批量化的操作工具，針對不同操作類型出現(xiàn)了不同的腳本程序。

但各團隊都有自己的工具，每次操作需求發(fā)生變化時都需要調(diào)整工具。這主要是因為對于環(huán)境、操作的規(guī)范不夠，導(dǎo)致可程序化處理能力較弱。此時，雖然效率提升了一部分，但很快又遇到了瓶頸。

操作的質(zhì)量并沒有太多的提升，甚至可能因為批量執(zhí)行而導(dǎo)致更大規(guī)模的問題出現(xiàn)。我們開始建立大量的流程規(guī)范，比如復(fù)查機制，先上線一臺服務(wù)器觀察10分鐘后再繼續(xù)后面的操作，一次升級完成后至少要觀察20分鐘等。

這些主要還是靠人來監(jiān)督和執(zhí)行，但在實際過程中執(zhí)行往往不到位，反而降低了工作效率。

平臺管理階段：在這個階段，對于運維效率和誤操作率有了更高的要求，我們決定開始建設(shè)運維平臺，通過平臺承載標(biāo)準(zhǔn)、流程，進而解放人力和提高質(zhì)量。

這個時候?qū)Ψ��?wù)的變更動作進行了抽象，形成了操作方法、服務(wù)目錄環(huán)境、服務(wù)運行方式等統(tǒng)一的標(biāo)準(zhǔn)，如程序的啟停接口必須包括啟動、停止、重載等。通過平臺來約束操作流程，如上面提到的上線一臺服務(wù)器觀察10分鐘。

在平臺中強制設(shè)定暫停檢查點，在第一臺服務(wù)器操作完成后，需要運維人員填寫相應(yīng)的檢查項，然后才可以繼續(xù)執(zhí)行后續(xù)的部署動作。

系統(tǒng)自調(diào)度階段：更大規(guī)模的服務(wù)數(shù)量、更復(fù)雜的服務(wù)關(guān)聯(lián)關(guān)系、各個運維平臺的林立，原有的將批量操作轉(zhuǎn)化成平臺操作的方式已經(jīng)不再適合，需要對服務(wù)變更進行更高一層的抽象。

將每一臺服務(wù)器抽象成一個容器，由調(diào)度系統(tǒng)根據(jù)資源使用情況，將服務(wù)調(diào)度、部署到合適的服務(wù)器上，自動化完成與周邊各個運維系統(tǒng)的聯(lián)動，比如監(jiān)控系統(tǒng)、日志系統(tǒng)、備份系統(tǒng)等。

通過自調(diào)度系統(tǒng)，根據(jù)服務(wù)運行情況動態(tài)伸縮容量，能夠自動化處理常見的服務(wù)故障。運維人員的工作也會前置到產(chǎn)品設(shè)計階段，協(xié)助研發(fā)人員改造服務(wù)使其可以接入到自調(diào)度系統(tǒng)中。

在整個運維的發(fā)展過程中，希望所有的工作都自動化起來，減少人的重復(fù)工作，降低知識傳遞的成本，使我們的運維交付更高效、更安全，使產(chǎn)品運行更穩(wěn)定。對于故障的處理，也希望由事后處理變成提前發(fā)現(xiàn)，由人工處理變成系統(tǒng)自動容災(zāi)。