互聯網運維工作(zuò)，以服務為(wèi)中心，以穩定、安全、高(gāo)效為(wèi)三個(gè)基本點，确保公司的互聯網業務能夠 7×24 小(xiǎo)時(shí)為(wèi)用戶提供高(gāo)質量的服務。
運維人(rén)員對公司互聯網業務所依賴的基礎設施、基礎服務、線上(shàng)業務進行(xíng)穩定性加強，進行(xíng)日常巡檢發現服務可(kě)能存在的隐患，對整體(tǐ)架構進行(xíng)優化以屏蔽常見的運行(xíng)故障，多(duō)數(shù)據中接入提高(gāo)業務的容災能力。
通(tōng)過監控、日志(zhì)分析等技(jì)術(shù)手段，及時(shí)發現和(hé)響應服務故障，減少(shǎo)服務中斷的時(shí)間(jiān)，使公司的互聯網業務符合預期的可(kě)用性要求，持續穩定地為(wèi)用戶提供務。
在安全方面，運維人(rén)員需要關注業務運行(xíng)所涉及的各個(gè)層面，确保用戶能夠安全、完整地訪問在線業務。
從網絡邊界劃分、ACL 管理(lǐ)、流量分析、DDoS 防禦，到操作(zuò)系統、開(kāi)源軟件的漏洞掃描和(hé)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(hēi)盒掃描、權限審計(jì)，到入侵行(xíng)為(wèi)檢測、業務風險控制(zhì)等。
運維人(rén)員需要保障公司提供的互聯網業 運行(xíng)在安全、可(kě)控的狀态下，确保公司業務數(shù)據和(hé)用戶隐私數(shù)據的安全，同時(shí)還(hái)需要具備抵禦各種惡意攻擊的能力。
在确保業務穩定、安全的前提下，還(hái)需保障業務高(gāo)效的運轉，公司內(nèi)快速的産出。運維工作(zuò)需要對業務進行(xíng)各方面優化。
比如，IO 優化提升數(shù)據庫性能，圖片壓縮降低(dī)帶寬使用量等，提供的互聯網業務以較小(xiǎo)的資源投入帶來(lái)最大(dà)的用戶價值和(hé)體(tǐ)驗。
同時(shí)，還(hái)需要通(tōng)過各種工具平台提升內(nèi)部産品發布交付的效率，提升公司內(nèi)運維相關的工作(zuò)效率。
運維的工作(zuò)方向比較多(duō)，随着業務規模的不斷發展，越成熟的互聯網公司，運維崗位會(huì)劃分得(de)越細。
當前很(hěn)多(duō)大(dà)型的互聯網公司，在初創時(shí)期隻有(yǒu)系統運維，随着服務規模、服務質量的 要求，也逐漸進行(xíng)了工作(zuò)細分。
一般情況下運維團隊的工作(zuò)分類（見圖1-1）和(hé)職責如下。
系統運維負責IDC、網絡、CDN和(hé)基礎服務的建設（LVS、NTP、DNS）；負責資産管理(lǐ)，服務器(qì)選型、交付和(hé)維修。詳細的工作(zuò)職責如下：
收集業務需求，預估未來(lái)數(shù)據中心的發展規模，從骨幹網的分布，數(shù)據中心建築，以及Internet接入、網絡攻擊防禦能力、擴容能力、空(kōng)間(jiān)預留、外接專線能力、現場(chǎng)服務支撐能力等方面評估選型數(shù)據中心。負責數(shù)據中心的建設、現場(chǎng)維護工作(zuò)。
設計(jì)及規劃生(shēng)産網絡架構，這裏面包括：數(shù)據中心網絡架構、傳輸網架構、CDN網絡架構等，以及網絡調優等日常運維工作(zuò)。
LVS 是整個(gè)站(zhàn)點架構中的流量入口，根據網絡規模和(hé)業務需求，構建負載均衡集群。
完成網絡與業務服務器(qì)的銜接，提供高(gāo)性能、高(gāo)可(kě)用的負載調度能力，以及統一的網絡層防攻擊能力。
SNAT .集中提供數(shù)據中心的公網訪問服務，通(tōng)過集群化部署，保證出網服務的高(gāo)性能與高(gāo)可(kě)用。
CDN 工作(zuò)劃分為(wèi)第三方和(hé)自建兩部分。
建立第三方 CDN 的選型和(hé)調度控制(zhì)；根據業務發展趨勢，規劃CDN新節點建設布局；完善CDN業務及監控，保障CDN 系統穩定、高(gāo)效運行(xíng)。
分析業務加速頻道(dào)的文件特性和(hé)數(shù)量，制(zhì)定最優的加速策略和(hé)資源匹配；負責用戶劫持等CDN日常故障排查工作(zuò)。
負責服務器(qì)的測試選型，包含服務器(qì)整機、部件的基礎性測試和(hé)業務測試，降低(dī)整機功率，提升機架部署密度等。
結合對公司業務的了解，推廣新硬件、新方案減少(shǎo)業務的服務器(qì)投入規模。負責服務器(qì)硬件故障的診斷定位，服務器(qì)硬件監控、健康檢查工具的開(kāi)發和(hé)維護。
負責整體(tǐ)平台的 OS 選型、定制(zhì)和(hé)內(nèi)核優化，以及 Patch 的更新和(hé)內(nèi)部版本發布；建立基礎的YUM包管理(lǐ)和(hé)分發中心，提供常用包版本庫；跟進日常各類 OS 相關故障；針對不同的業務類型，提供定向的優化支持。
記錄和(hé)管理(lǐ)運維相關的基礎物理(lǐ)信息，包括數(shù)據中心、網絡、機櫃、服務器(qì)、ACL、IP等各種資源信息，制(zhì)定有(yǒu)效的流程，确保信息的準确性；開(kāi)放API接口，為(wèi)自動化運維提供數(shù)據支持。
業務對 DNS、NTP、SYSLOG 等基礎服務的依賴非常高(gāo)，需要設計(jì)高(gāo)可(kě)用架構避免單點，提供穩定的基礎服務。
應用運維負責線上(shàng)服務的變更、服務狀态監控、服務容災和(hé)數(shù)據備份等工作(zuò)，對服務進行(xíng)例行(xíng)排查、故障應急處理(lǐ)等工作(zuò)。詳細的工作(zuò)職責如下所述。
在産品研發階段，參與産品設計(jì)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(gāo)可(kě)用要求。
負責制(zhì)定線上(shàng)業務升級變更及回滾方案，并進行(xíng)變更實施。掌握所負責的服務及服務間(jiān)關聯關系、服務依賴的各種資源。能夠發現服務上(shàng)的缺陷，及時(shí)通(tōng)報并推進解決。
制(zhì)定服務穩定性指标及準入标準，同時(shí)不斷完善和(hé)優化程序和(hé)系統的功能、效率，提高(gāo)運行(xíng)質量。完善監控內(nèi)容，提高(gāo)報警準确度。
在線上(shàng)服務出現故障時(shí)，第一時(shí)間(jiān)響應，對已知線上(shàng)故障能按流程進行(xíng)通(tōng)報并按預案執行(xíng)，未知故障組織相關人(rén)員聯合排障。
對各服務的服務器(qì)資産進行(xíng)管理(lǐ)，梳理(lǐ)服務器(qì)資源狀況、數(shù)據中心分布情況、網絡專線及帶寬情況，能夠合理(lǐ)使用服務器(qì)資源，根據不同服務的需求，分配不同配置的服務器(qì)，确保服務器(qì)資源的充分利用。
制(zhì)定服務例行(xíng)排查點，并不斷完善。根據制(zhì)定的服務排查點，對服務進行(xíng)定期檢查。對排查過程中發現的問題，及時(shí)進行(xíng)追查，排除可(kě)能存在的隐患。
确定服務所需的各項監控、系統指标的阈值或臨界點，以及出現該情況後的處理(lǐ)預案。
建立和(hé)更新服務預案文檔，并根據日常故障情況不斷補充完善，提高(gāo)預案完備性。能夠制(zhì)定和(hé)評審各類預案，周期性進行(xíng)預案演練，确保預案的可(kě)執行(xíng)性。
制(zhì)定數(shù)據備份策略，按規範進行(xíng)數(shù)據備份工作(zuò)。保證數(shù)據備份的可(kě)用性和(hé)完整性，定期開(kāi)展數(shù)據恢複性測試。
數(shù)據庫運維負責數(shù)據存儲方案設計(jì)、數(shù)據庫表設計(jì)、索引設計(jì)和(hé)SQL優化，對數(shù)據庫進行(xíng)變更、監控、備份、高(gāo)可(kě)用設計(jì)等工作(zuò)。詳細的工作(zuò)職責如下所述。
在産品研發初始階段，參與設計(jì)方案評審，從DBA的角度提出數(shù)據存儲方案、庫表設計(jì)方案、SQL開(kāi)發标準、索引設計(jì)方案等，使服務滿足數(shù)據庫使用的高(gāo)可(kě)用、高(gāo)性能要求。
掌握所負責服務的數(shù)據庫的容量上(shàng)限，清楚地了解當前瓶頸點，當服務還(hái)未到達容量上(shàng)限時(shí)，及時(shí)進行(xíng)優化、分拆或者擴容。
制(zhì)定數(shù)據備份與災備策略，定期完成數(shù)據恢複性測試，保證數(shù)據備份的可(kě)用性和(hé)完整性。
完善數(shù)據庫存活和(hé)性能監控，及時(shí)了解數(shù)據庫運行(xíng)狀态及故障。
數(shù)據庫安全建設數(shù)據庫賬号體(tǐ)系，嚴格控制(zhì)賬号權限與開(kāi)放範圍，降低(dī)誤操作(zuò)和(hé)數(shù)據洩露的風險；加強離線備份數(shù)據的管理(lǐ)，降低(dī)數(shù)據洩露的風險。
對數(shù)據庫單點風險和(hé)故障設計(jì)相應的切換方案，降低(dī)故障對數(shù)據庫服務的影(yǐng)響；不斷對數(shù)據庫整體(tǐ)性能進行(xíng)優化，包括新存儲方案引進、硬件優化、文件系統優化、數(shù)據庫優化、SQL優化等，在保障成本不增加或者少(shǎo)量增加的情況下，數(shù)據庫可(kě)以支撐更多(duō)的業務請(qǐng)求。
設計(jì)開(kāi)發數(shù)據庫自動化運維系統，包括數(shù)據庫部署、自動擴容、分庫分表、權限管理(lǐ)、備份恢複、SQL審核和(hé)上(shàng)線、故障切換等功能。
運維研發負責通(tōng)用的運維平台設計(jì)和(hé)研發工作(zuò)，如：資産管理(lǐ)、監控系統、運維平台、數(shù)據權限管理(lǐ)系統等。提供各種API供運維或研發人(rén)員使用，封裝更高(gāo)層的自動化運維系統。詳細的工作(zuò)職責如下所述。
記錄和(hé)管理(lǐ)服務及其關聯關系，協助運維人(rén)員自動化、流程化地完成日常運維操作(zuò)，包括機器(qì)管理(lǐ)、重啓、改名、初始化、域名管理(lǐ)、流量切換和(hé)故障預案實施等。
負責監控系統的設計(jì)、開(kāi)發工作(zuò)，完成公司服務器(qì)和(hé)各種網絡設備的資源指标、線上(shàng)業務運行(xíng)指标的收集、告警、存儲、分析、展示和(hé)數(shù)據挖掘等工作(zuò)，持續提高(gāo)告警的及時(shí)性、準确性和(hé)智能性，促進公司服務器(qì)資源的合理(lǐ)化調配。
參與部署自動化系統的開(kāi)發，負責自動化部署系統所需要的基礎數(shù)據和(hé)信息，負責權限管理(lǐ)、API開(kāi)發、Web端開(kāi)發。結合雲計(jì)算(suàn)，研發和(hé)提供PaaS相關高(gāo)可(kě)用平台，進一步提高(gāo)服務的部署速度和(hé)用戶體(tǐ)驗，提升資源利用率。
運維安全負責網絡、系統和(hé)業務等方面的安全加固工作(zuò)，進行(xíng)常規的安全掃描、滲透測試，進行(xíng)安全工具和(hé)系統研發以及安全事件應急處理(lǐ)。詳細的工作(zuò)職責如下所述。
根據公司內(nèi)部的具體(tǐ)流程，制(zhì)定切實可(kě)行(xíng)，且行(xíng)之有(yǒu)效的安全制(zhì)度。
定期向員工提供具有(yǒu)針對性的安全培訓和(hé)考核，在全公司內(nèi)建立安全負責人(rén)制(zhì)度。
通(tōng)過黑(hēi)白盒測試和(hé)檢查機制(zhì)，定期産生(shēng)對物理(lǐ)網絡、服務器(qì)、業務應用、用戶數(shù)據等方面的總體(tǐ)風險評估結果。
根據風險評估結果，加固最薄弱的環節，包括設計(jì)安全防線、部署安全設備、及時(shí)更新補丁、防禦病毒、源代碼自動掃描和(hé)業務産品安全咨詢等。為(wèi)了降低(dī)可(kě)能洩露數(shù)據的價值，通(tōng)過加密、匿名化、混淆數(shù)據，乃至定期删除等技(jì)術(shù)手段和(hé)流程來(lái)達到目的。
為(wèi)了滿足例如支付牌照等合規性要求，安全團隊承擔着安全合規的對外接口人(rén)工作(zuò)。
建立安全報警系統，通(tōng)過安全中心收集第三方發現的安全問題，組織各部門(mén)對已經發現的安全問題進行(xíng)修複、影(yǐng)響面評估、事後安全原因追查。
早期的運維團隊在人(rén)員較少(shǎo)的情況下，主要是進行(xíng)數(shù)據中心建設、基礎網絡建設、服務器(qì)采購和(hé)服務器(qì)安裝交付工作(zuò)。幾乎很(hěn)少(shǎo)涉及線上(shàng)服務的變更、監控、管理(lǐ)等工作(zuò)。
這個(gè)時(shí)候的運維團隊更多(duō)的屬于基礎建設的角色，提供一個(gè)簡單、可(kě)用的網絡環境和(hé)系統環境即可(kě)。
随着業務産品的逐漸成熟，對于服務質量方面就有(yǒu)了更高(gāo)的要求。這個(gè)時(shí)候的運維團隊還(hái)會(huì)承擔一些(xiē)服務器(qì)監控的工作(zuò)，同時(shí)會(huì)負責 LVS、Nginx 等與業務邏輯無關的 4/7 層運維工作(zuò)。
這個(gè)時(shí)候服務變更更多(duō)的是逐台的手工操作(zuò)，或者有(yǒu)一些(xiē)簡單批量腳本的出現。監控的焦點更多(duō)的在服務器(qì)狀态和(hé)資源使用情況上(shàng)，對服務應用狀态的監控幾乎很(hěn)少(shǎo)，監控更多(duō)的使用各種開(kāi)源系統如Nagios、Cacti等。
由于業務規模和(hé)複雜度的持續增加，運維團隊會(huì)逐漸劃分為(wèi)應用運維和(hé)系統運維兩大(dà)塊。應用運維開(kāi)始接手線上(shàng)業務，逐步開(kāi)展服務監控梳理(lǐ)、數(shù)據備份以及服務變更的工作(zuò)。
随着對服務的深入，應用運維工程師(shī)有(yǒu)能力開(kāi)始對服務進行(xíng)一些(xiē)簡單的優化。同時(shí)，為(wèi)了應對每天大(dà)量的服務變更，我們也開(kāi)始編寫各類運維工具，針對某些(xiē)特定的服務能夠很(hěn)方便的批量變更。
随着業務規模的增大(dà)，基礎設施由于容量規劃不足或抵禦風險能力較弱導緻的故障也越來(lái)越多(duō)，迫使運維人(rén)員開(kāi)始将更多(duō)的精力投入到多(duō)數(shù)據中心容災、預案管理(lǐ)的方向上(shàng)。
業務規模達到一定程度後，開(kāi)源的監控系統在性能和(hé)功能方面，已經無法滿足業務需求；大(dà)量的服務變更、複雜的服務關系，以前靠人(rén)工記錄、工具變更的方式不管在效率還(hái)是準确性方面也都無法滿足業務需求。
在安全方面也出現了各種大(dà)大(dà)小(xiǎo)小(xiǎo)的事件，迫使我們投入更多(duō)的精力在安全防禦上(shàng)。逐漸的，運維團隊形成之前提到的5個(gè)大(dà)的工作(zuò)分類，每個(gè)分類都需要有(yǒu)專精的人(rén)才。
這個(gè)時(shí)候系統運維更專注于基礎設施的建設和(hé)運維，提供穩定、高(gāo)效的網絡環境，交付服務器(qì)等資源給應用運維工程師(shī)。應用運維更專注于服務運行(xíng)狀态和(hé)效率。
數(shù)據庫運維屬于應用運維工作(zuò)的細化，更專注于數(shù)據庫領域的自動化、性能優化和(hé)安全防禦。運維研發和(hé)運維安全提供各類平台、工具，進一步提升運維工程師(shī)的工作(zuò)效率，使業務服務運行(xíng)得(de)更加穩定、高(gāo)效和(hé)安全。
我們将運維發展過程劃分為(wèi)4個(gè)階段，如圖1-2所示。
圖1-2運維發展過程
手工管理(lǐ)階段：業務流量不大(dà)，服務器(qì)數(shù)量相對較少(shǎo)，系統複雜度不高(gāo)。對于日常的業務管理(lǐ)操作(zuò)，大(dà)家(jiā)更多(duō)的是逐台登錄服務器(qì)進行(xíng)手工操作(zuò)，屬于各自為(wèi)戰，每個(gè)人(rén)都有(yǒu)自己的操作(zuò)方式，缺少(shǎo)必要的操作(zuò)标準、流程機制(zhì)，比如業務目錄環境都是各式各樣的。
工具批量操作(zuò)階段：随着服務器(qì)規模、系統複雜度的增加，全人(rén)工的操作(zuò)方式已經不能滿足業務的快速發展需要。因此，運維人(rén)員逐漸開(kāi)始使用批量化的操作(zuò)工具，針對不同操作(zuò)類型出現了不同的腳本程序。
但(dàn)各團隊都有(yǒu)自己的工具，每次操作(zuò)需求發生(shēng)變化時(shí)都需要調整工具。這主要是因為(wèi)對于環境、操作(zuò)的規範不夠，導緻可(kě)程序化處理(lǐ)能力較弱。此時(shí)，雖然效率提升了一部分，但(dàn)很(hěn)快又遇到了瓶頸。
操作(zuò)的質量并沒有(yǒu)太多(duō)的提升，甚至可(kě)能因為(wèi)批量執行(xíng)而導緻更大(dà)規模的問題出現。我們開(kāi)始建立大(dà)量的流程規範，比如複查機制(zhì)，先上(shàng)線一台服務器(qì)觀察10分鍾後再繼續後面的操作(zuò)，一次升級完成後至少(shǎo)要觀察20分鍾等。
這些(xiē)主要還(hái)是靠人(rén)來(lái)監督和(hé)執行(xíng)，但(dàn)在實際過程中執行(xíng)往往不到位，反而降低(dī)了工作(zuò)效率。
平台管理(lǐ)階段：在這個(gè)階段，對于運維效率和(hé)誤操作(zuò)率有(yǒu)了更高(gāo)的要求，我們決定開(kāi)始建設運維平台，通(tōng)過平台承載标準、流程，進而解放人(rén)力和(hé)提高(gāo)質量。
這個(gè)時(shí)候對服務的變更動作(zuò)進行(xíng)了抽象，形成了操作(zuò)方法、服務目錄環境、服務運行(xíng)方式等統一的标準，如程序的啓停接口必須包括啓動、停止、重載等。通(tōng)過平台來(lái)約束操作(zuò)流程，如上(shàng)面提到的上(shàng)線一台服務器(qì)觀察10分鍾。
在平台中強制(zhì)設定暫停檢查點，在第一台服務器(qì)操作(zuò)完成後，需要運維人(rén)員填寫相應的檢查項，然後才可(kě)以繼續執行(xíng)後續的部署動作(zuò)。
系統自調度階段：更大(dà)規模的服務數(shù)量、更複雜的服務關聯關系、各個(gè)運維平台的林立，原有(yǒu)的将批量操作(zuò)轉化成平台操作(zuò)的方式已經不再适合，需要對服務變更進行(xíng)更高(gāo)一層的抽象。
将每一台服務器(qì)抽象成一個(gè)容器(qì)，由調度系統根據資源使用情況，将服務調度、部署到合适的服務器(qì)上(shàng)，自動化完成與周邊各個(gè)運維系統的聯動，比如監控系統、日志(zhì)系統、備份系統等。
通(tōng)過自調度系統，根據服務運行(xíng)情況動态伸縮容量，能夠自動化處理(lǐ)常見的服務故障。運維人(rén)員的工作(zuò)也會(huì)前置到産品設計(jì)階段，協助研發人(rén)員改造服務使其可(kě)以接入到自調度系統中。
在整個(gè)運維的發展過程中，希望所有(yǒu)的工作(zuò)都自動化起來(lái)，減少(shǎo)人(rén)的重複工作(zuò)，降低(dī)知識傳遞的成本，使我們的運維交付更高(gāo)效、更安全，使産品運行(xíng)更穩定。對于故障的處理(lǐ)，也希望由事後處理(lǐ)變成提前發現，由人(rén)工處理(lǐ)變成系統自動容災。
