「原创故事」运维的一天：架构设计、故障处理、人员离职……

高效运维社区致力于陪伴您的职业生涯，与您一起愉快的成长。

作者简介：

韩晓光

DevOps Master、信息系统项目管理师、ITIL Foundation、RHCE。GOPS金牌讲师、金牌作者。著有《系统运维全面解析:技术、管理与实践》一书。

本文导读：

本文以叙事形式浓缩了很多运维场景、技术与总结。目录结构如下：

文中也提到一些问题困惑，作者希望以文互动，隔空问答，请读者探讨交流，同时点名了几位业内大咖祈求答疑解惑。

本文故事场景纯属虚构，人物皆为化名，除此之外都是实在干货。

1、项目管理及云计算架构

今天周五，多云雾霾，我到了单位，接杯水瞅了瞅窗外，云遮雾罩，有种做梦的感觉，不知为啥眼睛跳的厉害，这不是好兆头。

我习惯先打开邮箱，再打开即时通讯软件，再打开云笔记，看看24小时值班情况、工作邮件、项目邮件、即时消息和技术文章，通过这些内容信息基本上能概览昨天工作和今天要干的事情，同时了解一些最新技术动态。

面对朦胧的窗外，我在想：工作人生就是在层层迷雾中探索，不断拨云见日，开拓眼界和道路，实现虚拟梦境到现实世界的转变。

看完邮件和一些OA内容，我把今天要做的事情划分四个层次：

1）重要而且紧迫；

2）紧迫但不重要；

3）重要但不紧迫；

4）既不重要又不紧迫。

10:00，我要召开每周项目例会,讨论云计算项目进展情况和后期安排，做好四控两管一协调工作（我好像干了监理的工作）。

这个项目重大，我们将通过这些重大项目促进公司全面升级转型技术架构，由传统信息化建设转型深化移动互联网式发展，向资源集约型，平台支撑型转变，提供持续集成与优化服务，趋向敏捷快速交付，由单一的运维资源交付转型全面云化生态运营交付。我们的云计算架构体系如下：

围绕上述架构原型，我们要在特定时间、预算、资源限定内依据规范完成云计算项目建设，时间紧任务重，整个项目组压力大，动力也大。

说到项目管理，它是一门大学问，做运维管理、系统集成，信息化建设，项目经理等工作都需要了解，这里梳理了一个项目管理5大流程10大知识领域知识图，有兴趣大家可以看看PMBOk等相关资料，这里不再赘述。

2、高效会议管理

说到开会，其实也是一个技术活。为了提高会议效率和效能，我通常会这么做：

1. 借鉴《罗伯特议事规则》。例如会议要有主持人、记录人以维持好会议执行效力；会议要有具体、明确、可操作的行动建议。会议要有大小主题，不要跑题，发言有序、有时限。就事论事，不人身攻击，不质疑私人偏好，习惯，文化观等。

2. 提前发会议议题，资料。避免会上临时看资料，临时讨论，所有都是临时拍脑袋，导致会议冗长、效能差。

3. 做好会议纪要，遵循SMART原则。明确会议的结论，任务、执行人和期限，做好工作任务追踪、追溯。

关于我们云计算项目进展，我看了下上周会议纪要，当前还有两个重要问题待解决：

（1）云计算核心网络跑内部BGP及OSPF问题，

（2）通过VRF解决多VPN路由转发问题。

这些问题都很棘手且重要，因此问题交由王宜牵头解决。王宜是我们的一个全栈型SRE人才，从前端CDN、负载、代理到后端数据库、存储样样通，熟悉网络架构，我们的新建IDC网络架构就是他主导设计的，他还能写的一手好代码，我们的运维自动化平台的核心模块也是他主要完成的。

但有些遗憾的是王宜同学总是喜欢上来就干，不喜欢写规划，不喜欢写文档总结，无法协调好团队。自打让他负责带团队之后，结果依然是他一个人在全线战斗，没有发挥整个团队的价值。

为此我跟王宜谈了多次，期望他能发挥更大能力，每当我们讨论过技术和管理的平衡关系时，最终往往陷入到底技术重要还是管理重要的漩涡中。不知广大读者朋友有何见解？

@陈桂新，桂总您是如何辩证地看待运维技术与运维管理关系的？

3、网络安全管理

项目会刚开不久，这时网络安全负责人刘森，神色凝重，让我出来一下，我跟着他到了隔壁会议室，刘森拿出一分文件让说，这是内部安全审计结果，我们还有安全漏洞，需要立刻整改，否则下周一外部审计过来就不合适了。我看了看看报告，其中提到安全问题概要如下：

现在网络安全是运维常态化重点工作，我们通常定期做安全漏洞扫描、渗透测试。针对安全漏洞，我们常用的漏洞修复策略如下：

1. 严格各区域之间访问限制与隔离，阻止服务器之间的互相访问，防止内网移动渗透；

2. 下线有问题的系统，保留证据，重新安装部署备机后再上线；

3. 严格堡垒机访问权限，什么角色的人使用什么权限；

4. 加强系统iptables访问策略，严格应用访问策略；

5. 修改相关系统的账号密码；

6. 升级打补丁，修复系统、应用漏洞；

7. 清理有木马等异常的系统服务器。；

由于是限期安全整改，截止到下周一必须完成。我们得立刻找人手开始修复漏洞。考虑到这次安全限期整改的重要紧急性，我安排王宜加入刘森安全整改项目组。

王宜是一个全栈型技术人才，希望他能帮助刘森尽快解决这些安全问题。

4、运维自动化架构设计

对于批量增删改查、密码查询修改，批量打补丁，系统部署，监控管理等工作，我们有自己研发的一套运维自动化综合管理平台，总体功能框架设计如下图。

本运维自动化是一体化解决方案，从我们的实际业务需求出发，基于DevOps理念，引入轻量级IT服务管理体系，以CMDB资源管理为核心驱动，围绕运维监控及自动化管理为建设主体，构建起敏捷运维服务管理体系。

通过运维自动化管理解决方案融合、统一管理运维人员、资源、事件流程，统一监控管理IT资源，有效关联整合数据信息，从而促进运维管理工作的标准化、流程化、可视化、自动化、智能化、产品化。最终目标是要提供更好地运维服务交付能力，更好地支撑我们当前及未来业务快速稳健发展。

如下是本运维自动化系统逻辑架构规划图。详细内容介绍请参考作者文章《运维自动化与标准规范化：解析、设计及实现 | 操作指南式的实战》。

对于运维自动化系统的设计与实现思路，我们老大（后文即将出场）曾提出了他的一些建议：

1. 功能要精专，模块要解耦，不要过度设计。

2. 产品要实用，能够很好支撑业务，而不是仅仅做成纯技术理论产品。

3. 运维自动化是把双刃剑，要特别注意安全防护和权限控制。

对此我有些不解，我总想把该系统做成大一统紧耦合，自动化到极致，寄希望于运维自动化解放运维人员，但实际情况我逐渐领悟到二八原则和中庸之道，凡是要适度恰到好处，凡是要柔韧不可用尽。

@王津银，王总您是如何设计运维自动化解决方案的？

5、项目团队管理

上午的项目会、安全事情和一些运维琐事交织在一切，让人感觉时间飞快。

眼看就要12:00了，我看见刘森和王宜好像还在因为安全修复项目组怎么组建、怎么分工，怎么开工的事情争论不断。我忍不住过去也加入了他们的争论之中。

我把我总结的布鲁斯·塔克曼的团队发展阶段模型及应对措施给他们讲了讲，希望他们能从中获得一些价值和帮助。

说完我先走了，我得赶紧吃点午饭，准备一些材料。下周需要召开立项研讨会。我打算升级优化核心数据库系统的技术架构，为此我已初拟了个立项报告。

考虑到项目重大，我需要今天下午提前向老大汇报征求一下意见。

6、两地三中心架构概述

下午14:00，我准时来到老大的办公室，我直奔主题说明我的想法。由于历史原因，我们的这组核心数据库系统存在一些隐患：

1. 有些模块的数据库rac集群心跳线还是百兆，无法保障集群的性能及稳定性。

2. 存储阵列已经过保，而且容量及性能都有限，难以支撑系统业务发展。

3. 当前缺乏有效地数据备份及灾备保护。

因此我建议重新升级优化架构，从整体设计上解决这些问题，主要思路如下：基于两地三中心大量成熟方案，构建同城双活实时同步，异地灾备异步同步体系，实施双机RAC+Dataguard双层冗余，基于应用、数据库及存储阵列级多层次数据同步，通过存储连续性保护应对应用逻辑故障，外加磁带归档存储。两地三中心是什么样的架构，下面我给一个示意图例。

我认为我考虑地很周全，我稀里哗啦说了一通，但发现老大没有欣赏之意。

老大问：你是否与业务部门，研发部门，商务部门一块讨论过这个方案？

“这个……没有…….”我支支吾吾说“我觉得这是纯技术方案…..”

老大又问：“互联网运维和传统信息化运维有区别么？”

“这个，那个…..” 我一时间脑袋空白了。

老大继续再问：“你这方案的优化创新思路在哪里？”

这时我感觉一股冷气植入后脊梁，头脑飞速但凌乱“我这个方案有很多成熟案例，这种技术架构已有好多年了……”

“是好多年了，你还在照搬多年前的技术架构，方案毫无创新”，老大若有所思：

首先你应该了解业务，技术与业务不能两张皮，技术要与其他部门业务协同，技术要支撑业务发展；

其次咱们不能再走传统信息化那种封闭竖井式道路，要走平台化、集群分布式、敏捷可持续、开放互联、合作共赢的生态道路；

最后再次提醒你们，从业务到技术到运营，你们需要互相协同与支持”。

我有种顿悟的感觉，但同时我也想赶紧离开这里。

突然我的手机短信响了，是一条告警显示“严重故障，mysql主从不同步”，我有种得救的感觉。赶紧说“有个监控告警，小故障，我得去了解下情况”，说完赶紧从办公室出来了。

我走到王宜那里问： “谁在处理 MySQL 主从不同步的故障？”

王宜很自信地说：“我在处理，这个小问题我能解决”

“安全漏洞防护进展咋样了？”我问。

“刘森让我帮助他做系统安全加固和打补丁”，王宜有些无奈地表情说“他根本不了解我这边工作情况，我今天一直在忙，根本没时间做系统安全加固的事情，等我把mysql的问题解决了，再做系统iptables控制策略…..”

我没有再说什么，只是在想，其实我更希望王宜他们团队的组员去处理（而不是王宜直接处理），希望发挥其团队每个人的价值。但我又想，王宜本身也需要锻炼团队管理协调能力，所以还是由王宜自己判断如何协调团队工作吧。

7、传统运维 VS 互联网运维异同对比

我走回自己的办公位，冥思苦想互联网运维与传统运维有什么区别呢？不知广大读者朋友有何见解？

我先说说的拙见吧，传统运维与互联网运维的差异，可以归结为6大差异，如下：架构差异、工作内容差异、知识体系差异、面向对象差异、运维人员差异、体制理念差异。

这里只摆放一个架构差异的图解，如下图所示。（具体阐述请参见作者文章《传统运维 VS 互联网运维 从哪来到哪去》）。

说到运维知识体系，@赵舜东（赵班长）总结的非常到位，那么我有一个问题请教赵总：您构建起的运维知识体系是如何输出价值，以支撑服务好业务（客户）？

8、网络大流量事件处置

这时张驰快步向我走来，看着有些着急：有故障，我们的多个域名打开异常缓慢，网站性能监测频发告警。虽然我干IT工作10余年了，但当我听到“故障”这俩字，仍然感觉刺耳敏感。

作为运维人，经常要救火，头脑需要冷静，做到胆大心细，行事可以忙但不能乱。对于这种访问故障，我们通常会基于网络架构层次逐个捋顺排查和定位。网站架构通常如下图所示。

基于网站架构及网民访问的数据流向，我们逐个排查CDN、源站、负载均衡……很快，我们发现一个老旧负载均衡设备上并发连接数激增，如下图所示。

根据我们以往经验，这种突发激增往往由某种网站活动引起的。

经过网安部梳理CDN监测信息、负载情况、域名网站、流控监测信息，网站业务运行信息，我们很快确定了部分网站缓慢原因：

由于恶意刷票导致突发大并发连接，过度消耗设备性能，由于这台负载老设备处理并发性能有限，因此该负载下网站都出现了访问缓慢问题。

我看了下时间17:45，网安部门刘森向我走来，他怀着一种庆幸（找到了问题原因）和一些委屈（又是投票，这是业务层面事情，不是运维导致的故障）向我反馈详细故障由来。

等他说完原因，我问道：“业务影响范围有多大？后续如何处置？什么时间彻底解决？”

对于这些问题，刘森貌似还没准备好如何回答。

我接着说道：做运维需要熟悉业务才能更好地支撑业务，基于业务场景的运维是运维价值观的重要体现。

@许颖维：请问许总，你是如何运维好你们大数据业务系统的？

这个时候，我们老大也走了过来。“问题解决怎么样了？要抓紧解决，不要保留问题过夜”，老大说，“发生了这么多问题，你们要从架构体系层面高屋建瓴式地解决问题，而不是天天忙于被动救火”

我回答道“好的，我赶紧落实处理恶意刷票问题……”。

老大又说道“还有，你们要考虑如何升级转型架构体系，遵循公司战略目标，通过技术创新升级并引领业务发展”。

对于老大的建议，我若有所思…..不过我还是先解决当下棘手的刷票问题吧。对于这种恶意刷票现象，很多行业已屡见不鲜了，考虑到投票业务多样性，我们运维解决思路也有很多方式，列举如下：

1. 调整负载均衡流量，将大流量的业务切换到小流量的负载上，或者单独配置（软、硬）负载。

2. 使用IP地址过滤，通过CDN、前端防火墙、负载、代理、lua等软硬件对恶意IP进行过滤。

3. 通过session会话、cookies验证来防止恶意刷票。

4. 通过实名制登记、登陆验证码等来防止恶意刷票

5. 把业务搬到公有云上，借助公有云资源来防护恶意刷票，也是一种手段。

9、人员离职现象与原因概括

不知不觉时间已经18:50了，这时我们值班服务台ServiceDesk同事打回电话说（需要二线支持），业务部门反映发布系统非常缓慢，甚至打不开，图片、js、css加载缓慢。

但我查看网站性能监控并未告警，从监控来看有些波动，但貌似没有太明显异常。

这是为什么？这可能是前端或系统相关问题，我想找王宜核查一下，但刘森说他已经下班走了。

“他不是在帮助你解决安全防护的问题么，怎么没有个里程碑式结论就走人了？”我有些诧异。

“这个安全事情。。。。。咱们待会再商议吧”，刘森无奈地说“我现在给王宜打电话，优先处理业务用户反馈问题”

稍后刘森说“王宜电话没人接，您看下步怎么办？”

这时我脑子里首先一闪念，想起了一个运维前辈曾经给我说过“做运维工作，要有高度责任心，不甩锅不背锅”。

我拿起电话，直接拨通了王宜团队的组员李智的号码。我把问题现象给他描述了一下。

李智说“头，这个问现象有些笼统，咱们今天都做过什么变更么？”

我犹豫了一下，“今天的变更有很多，不过你先查查前端系统吧，我再找人查其他环节”。

李智也犹豫了一下“……我可能最近也要变动一下…..”

“你说什么？” 我好想没听懂。

“我正想找您说这事……”李智说“我打算离职了……”

“啊？”我没继续说。

“这个回头再说吧……”李智转移了话题“我先处理问题吧”。

我挂下电话，有种焦头烂额的感觉。我想了想：铁打的营盘，流水的兵，离职倒也是正常现象。

可能离职原因多种多样，但归纳起来，（借鉴马斯洛需求层次理论）无外乎以下几种诉求得不到满足：生理需求（工资待遇）、安全需求（公司内外环境）、社会需求（文化、社交）、尊重的需求（人文关怀、团队建设）、自我实现的需求（职业发展）、自我超越的需求（人生发展）

@梁定安：把这么一个敏感话题交给大梁总,请问您是如何看待与处置人员离职问题的？

10、变更经验总结

我还在猜想李智的离职原因，这时王宜电话打回电话说刚才没听见电话响。我把问题给他又复述了一遍，他好像知道了什么。

“可能由于批量化操作，导致前端有组特殊的ngnix系统的iptables配置错了”，王宜说“估计李智不清楚这套系统环境，所以这事还是由我来处理吧”

没过一会，王宜反馈说问题解决了。主要原因是：这组特殊的ngnix在负载后面，但由于错误的iptables策略，收到负载请求则不处理丢弃，因此造成超时tcp重传，负载只能再向ngnix分配请求，如此造成访问请求缓慢不稳定。

虽然问题解决，但我总结教训如下：

1. 尽量避免变更，应保持不可变基础设施。

2. 一次变更只做一件事，同时做好变更的记录。

3. 条件允许的话，在做变更之前先做好测试、应急回退措施。

4. 做变更最好有实施者，有复核（配合）人员，有工作互备人员。最好能做到相关人员周知。

5. 变更最好周五之前做，夜晚做。

6. 运维自动化的确是把双刃剑，没有标准化、流程化的批量自动化可能是灾难。

11、运维架构体系规划

这时我突然想起老大的提醒，我应该从架构体系的层面梳理解决当前一锅粥似的一系列问题。运维架构体系是运维的基础及核心竞争力。通过运维体系的构建及完善，使我们的运维做到稳定可靠，准确完备，规范科学。

以面向服务、持续交付为核心，从人、事、物、流程这四个方面把运维体系进行解构，它们彼此互相作用，共同构建了一个完整实用的运维体系。

前文已阐述了传统运维与互联网运维的不同层面维度的差异，但从另一方面来看，作为运维，还是有很多共同之处。这里我将从一个架构高度看待和规划运维，如下图所示。