互聯(lián)網(wǎng)運維工作概述

1、 互聯(lián)網(wǎng)運維工作概述目 錄 TOC o 1-3 h z u HYPERLINK l _Toc4345213 1.運維工作分類 PAGEREF _Toc4345213 h 3 HYPERLINK l _Toc4345214 1.1.系統(tǒng)運維 PAGEREF _Toc4345214 h 4 HYPERLINK l _Toc4345215 1.2.應用運維 PAGEREF _Toc4345215 h 6 HYPERLINK l _Toc4345216 1.3.數(shù)據(jù)庫運維 PAGEREF _Toc4345216 h 7 HYPERLINK l _Toc4345217 1.4.運維安全 PAGEREF

2、_Toc4345217 h 9 HYPERLINK l _Toc4345218 2.運維工作發(fā)展過程 PAGEREF _Toc4345218 h 10互聯(lián)網(wǎng)運維工作，以服務為中心，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)務能夠724小時為用戶提供高質(zhì)量的服務。運維人員對公司互聯(lián)網(wǎng)業(yè)務所依賴的基礎設施、基礎服務、線上業(yè)務進行穩(wěn)定性加強，進行日常巡檢發(fā)現(xiàn)服務可能存在的隱患，對整體架構進行優(yōu)化以屏蔽常見的運行故障，多數(shù)據(jù)中接入提高業(yè)務的容災能力，通過監(jiān)控、日志分析等技術手段，及時發(fā)現(xiàn)和響應服務故障，減少服務中斷的時間，使公司的互聯(lián)網(wǎng)業(yè)務符合預期的可用性要求，持續(xù)穩(wěn)定地為用戶提供務。在安全方

3、面，運維人員需要關注業(yè)務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。從網(wǎng)絡邊界劃分、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，再到應用服務的XSS、SQL注入防護；從安全流程梳、代碼白盒黑盒掃描、權限審計，到入侵行為檢測、業(yè)務風險控制等。運維人員需要保障公司提供的互聯(lián)網(wǎng)業(yè)務運行在安全、可控的狀態(tài)下，確保公司業(yè)務數(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)務穩(wěn)定、安全的前提下，還需保障業(yè)務高效的運轉(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)

4、務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)運維相關的工作效率。運維工作分類運維的工作方向比較多，隨著業(yè)務規(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。當前很多大型的互聯(lián)網(wǎng)公司，在初創(chuàng)時期只有系統(tǒng)運維，隨著規(guī)模、服務質(zhì)量的要求，也逐漸進行了工作細分。一般情況下運維團隊的工作分類（見圖1-1）和職責如下。系統(tǒng)運維系統(tǒng)運維負責IDC、網(wǎng)絡、CDN和基礎服務的建設（LVS、NTP、DNS）；負責資產(chǎn)管理，服務器選型、交付和維修。詳細的工作職責如下：IDC數(shù)據(jù)中心建設收集業(yè)務需求，預估未來數(shù)據(jù)中心的發(fā)展規(guī)模，從骨干網(wǎng)的分布，

5、數(shù)據(jù)中心建筑，以及Internet接入、網(wǎng)絡攻擊防御能力、擴容能力、空間預留、外接專線能力、現(xiàn)場服務支撐能力等方面評估選型數(shù)據(jù)中心。負責數(shù)據(jù)中心的建設、現(xiàn)場維護工作。網(wǎng)絡建設設計及規(guī)劃生產(chǎn)網(wǎng)絡架構，這里面包括：數(shù)據(jù)中心網(wǎng)絡架構、傳輸網(wǎng)架構、CDN網(wǎng)絡架構等，以及網(wǎng)絡調(diào)優(yōu)等日常運維工作。LVS負載均衡和SNAT建設LVS是整個站點架構中的流量入口，根據(jù)網(wǎng)絡規(guī)模和業(yè)務需求，構建負載均衡集群；完成網(wǎng)絡與業(yè)務服務器的銜接，提供高性能、高可用的負載調(diào)度能力，以及統(tǒng)一的網(wǎng)絡層防攻擊能力；SNAT集中提供數(shù)據(jù)中心的公網(wǎng)訪問服務，通過集群化部署，保證出網(wǎng)服務的高性能與高可用。CDN規(guī)劃和建設CDN工作劃分為第

6、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)務發(fā)展趨勢，規(guī)劃CDN新節(jié)點建設布局；完善CDN業(yè)務及監(jiān)控，保障CDN系統(tǒng)穩(wěn)定、高效運行；分析業(yè)務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；負責用戶劫持等CDN日常故障排查工作。服務器選型、交付和維護負責服務器的測試選型，包含服務器整機、部件的基礎性測試和業(yè)務測試，降低整機功率，提升機架部署密度等。結(jié)合對公司業(yè)務的了解，推廣新硬件、新方案減少業(yè)務的服務器投入規(guī)模。負責服務器硬件故障的診斷定位，服務器硬件監(jiān)控、健康檢查工具的開發(fā)和維護。OS、內(nèi)核選型和OS相關維護工作負責整體平臺的OS選型、定制和內(nèi)核優(yōu)化，以及Patch的更

7、新和內(nèi)部版本發(fā)布；建立基礎的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相關故障；針對不同的業(yè)務類型，提供定向的優(yōu)化支持。資產(chǎn)管理記錄和管理運維相關的基礎物理信息，包括數(shù)據(jù)中心、網(wǎng)絡、機柜、服務器、ACL、IP等各種資源信息，制定有效的流程，確保信息的準確性；開放API接口，為自動化運維提供數(shù)據(jù)支持?；A服務建設業(yè)務對DNS、NTP、SYSLOG等基礎服務的依賴非常高，需要設計高可用架構避免單點，提供穩(wěn)定的基礎服務。應用運維應用運維負責線上服務的變更、服務狀態(tài)監(jiān)控、服務容災和數(shù)據(jù)備份等工作，對服務進行例行排查、故障應急處理等工作。詳細的工作職責如下所述。設計評審在產(chǎn)品研發(fā)階段，參

8、與產(chǎn)品設計評審，從運維的角度提出評審意見，使服務滿足運維準入的高可用要求。服務管理負責制定線上業(yè)務升級變更及回滾方案，并進行變更實施。掌握所負責的服務及服務間關聯(lián)關系、服務依賴的各種資源。能夠發(fā)現(xiàn)服務上的缺陷，及時通報并推進解決。制定服務穩(wěn)定性指標及準入標準，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，提高報警準確度。在線上服務出現(xiàn)故障時，第一時間響應，對已知線上故障能按流程進行通報并按預案執(zhí)行，未知故障組織相關人員聯(lián)合排障。資源管理對各服務的服務器資產(chǎn)進行管理，梳理服務器資源狀況、數(shù)據(jù)中心分布情況、網(wǎng)絡專線及帶寬情況，能夠合理使用服務器資源，根據(jù)不同服務的需求，分配

9、不同配置的服務器，確保服務器資源的充分利用。例行檢查制定服務例行排查點，并不斷完善。根據(jù)制定的服務排查點，對服務進行定期檢查。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。預案管理確定服務所需的各項監(jiān)控、系統(tǒng)指標的閾值或臨界點，以及出現(xiàn)該情況后的處理預案。建立和更新服務預案文檔，并根據(jù)日常故障情況不斷補充完善，提高預案完備性。能夠制定和評審各類預案，周期性進行預案演練，確保預案的可執(zhí)行性。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)恢復性測試。數(shù)據(jù)庫運維數(shù)據(jù)庫運維負責數(shù)據(jù)存儲方案設計、數(shù)據(jù)庫表設計、索引設計和SQL優(yōu)化，對數(shù)據(jù)庫進行變

10、更、監(jiān)控、備份、高可用設計等工作。詳細的工作職責如下所述。設計評審在產(chǎn)品研發(fā)初始階段，參與設計方案評審，從DBA的角度提出數(shù)據(jù)存儲方案、庫表設計方案、SQL開發(fā)標準、索引設計方案等，使服務滿足數(shù)據(jù)庫使用的高可用、高性能要求。容量規(guī)劃掌握所負責服務的數(shù)據(jù)庫的容量上限，清楚地了解當前瓶頸點，當服務還未到達容量上限時，及時進行優(yōu)化、分拆或者擴容。數(shù)據(jù)備份與災備制定數(shù)據(jù)備份與災備策略，定期完成數(shù)據(jù)恢復性測試，保證數(shù)據(jù)備份的可用性和完整性。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)庫安全建設數(shù)據(jù)庫賬號體系，嚴格控制賬號權限與開放范圍，降低誤操作和數(shù)據(jù)泄露的風險；加強離線備份數(shù)

11、據(jù)的管理，降低數(shù)據(jù)泄露的風險。數(shù)據(jù)庫高可用和性能優(yōu)化對數(shù)據(jù)庫單點風險和故障設計相應的切換方案，降低故障對數(shù)據(jù)庫服務的影響；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)務請求。自動化系統(tǒng)建設設計開發(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、權限管理、備份恢復、SQL審核和上線、故障切換等功能。運維研發(fā)運維研發(fā)負責通用的運維平臺設計和研發(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)。詳細的工

12、作職責如下所述。運維平臺記錄和管理服務及其關聯(lián)關系，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、流量切換和故障預案實施等。監(jiān)控系統(tǒng)負責監(jiān)控系統(tǒng)的設計、開發(fā)工作，完成公司服務器和各種網(wǎng)絡設備的資源指標、線上業(yè)務運行指標的收集、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、準確性和智能性，促進公司服務器資源的合理化調(diào)配。自動化部署系統(tǒng)參與部署自動化系統(tǒng)的開發(fā)，負責自動化部署系統(tǒng)所需要的基礎數(shù)據(jù)和信息，負責權限管理、API開發(fā)、Web端開發(fā)。結(jié)合云計算，研發(fā)和提供PaaS相關高可用平臺，進一步提高服務的部署速度和用戶體驗，提升資源利用率。

13、運維安全運維安全負責網(wǎng)絡、系統(tǒng)和業(yè)務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)以及安全事件應急處理。詳細的工作職責如下所述。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。安全培訓定期向員工提供具有針對性的安全培訓和考核，在全公司內(nèi)建立安全負責人制度。風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、服務器、業(yè)務應用、用戶數(shù)據(jù)等方面的總體風險評估結(jié)果。安全建設根據(jù)風險評估結(jié)果，加固最薄弱的環(huán)節(jié)，包括設計安全防線、部署安全設備、及時更新補丁、防御病毒、源代碼自動掃描和業(yè)務產(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

14、數(shù)據(jù)，乃至定期刪除等技術手段和流程來達到目的。安全合規(guī)為了滿足例如支付牌照等合規(guī)性要求，安全團隊承擔著安全合規(guī)的對外接口人工作。應急響應建立安全報警系統(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、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、基礎網(wǎng)絡建設、服務器采購和服務器安裝交付工作。幾乎很少涉及線上服務的變更、監(jiān)控、管理等工作。這個時候的運維團隊更多的屬于基礎建設的角色，提供一個簡單、可用的網(wǎng)絡環(huán)境和系統(tǒng)環(huán)境即可。隨著業(yè)務產(chǎn)品的逐漸成熟，對于服務質(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

15、一些服務器監(jiān)控的工作，同時會負責LVS、Nginx等與業(yè)務邏輯無關的4/7層運維工作。這個時候服務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器狀態(tài)和資源使用情況上，對服務應用狀態(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)務規(guī)模和復雜度的持續(xù)增加，運維團隊會逐漸劃分為應用運維和系統(tǒng)運維兩大塊。應用運維開始接手線上業(yè)務，逐步開展服務監(jiān)控梳理、數(shù)據(jù)備份以及服務變更的工作。隨著對服務的深入，應用運維工程師有能力開始對服務進行一些簡單的優(yōu)化。同時，為了應對每天大量的服務變更，我們也開始編寫各類運維工具，針對某些特定的服務能夠很方便

16、的批量變更。隨著業(yè)務規(guī)模的增大，基礎設施由于容量規(guī)劃不足或抵御風險能力較弱導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、預案管理的方向上。業(yè)務規(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)務需求；大量的服務變更、復雜的服務關系，以前靠人工記錄、工具變更的方式不管在效率還是準確性方面也都無法滿足業(yè)務需求；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)運維更專注于基礎設施的建設和運維，提供穩(wěn)定、高效的網(wǎng)絡環(huán)境，交付服務器等資源給應用運維工

17、程師。應用運維更專注于服務運行狀態(tài)和效率。數(shù)據(jù)庫運維屬于應用運維工作的細化，更專注于數(shù)據(jù)庫領域的自動化、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)務服務運行得更加穩(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。手工管理階段：業(yè)務流量不大，服務器數(shù)量相對較少，系統(tǒng)復雜度不高。對于日常的業(yè)務管理操作，大家更多的是逐臺登錄服務器進行手工操作，屬于各自為戰(zhàn)，每個人都有自己的操作方式，缺少必要的操作標準、流程機制，比如業(yè)務目錄環(huán)境都是各式各樣的。工具批量操作階段：隨著服務器規(guī)模、系統(tǒng)復雜度的增加，全人工的操作方式已經(jīng)不能滿足業(yè)務的快

18、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，比如復查機制，先上線一臺服務器觀察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，我們決定開始建設運維平臺，通過平臺承載標準、流程，進而解放人力和提高質(zhì)量。這個時候?qū)Ψ盏淖兏鼊幼鬟M行了抽象，形成了操作方法、服務目錄環(huán)境、服務運行方式等統(tǒng)一的標準，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器觀察10分鐘。在平臺中強制設定暫停檢查點，在第一臺服務器操作完成后，需要運維人員填寫相應的檢查項，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)模的服務數(shù)量、更復雜的服務關聯(lián)關系、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