微信号:yunqiinsight

介绍:云栖社区是由阿里云负责运营、阿里巴巴技术协会和阿里巴巴集团各技术团队提供内容支持的开放式技术社区.

实战:阿里巴巴 DevOps 转型后的运维平台建设

2018-04-09 22:31 云栖社区

云栖君导读:阿里巴巴DevOps转型之后,运维平台是如何建设的?阿里巴巴高级技术专家陈喻结合运维自身的理解,业务场景的分析和业界方法论的一些思考,得出来一些最佳实践分享给大家。


前言


“我是这个应用的 Owner”是阿里巴巴DevOps转型的重要策略,运维有了这个策略以后,PE大量的日常工作就可以释放出来,会有更多的时间去思考沉淀,去做编码,去做以前不曾做的事情。


运维的三个阶段



  • 第一阶段:黑屏,三角形是代表整个运维给用户的一些体感或者给研发的体感,人工运维,目前很多企业可能还是这样。

  • 第二阶段:白屏,自动化运维,以前把脚本做成工具去弄,有什么特征,人push机器去干活,自助运维。

  • 第三阶段:用户对运维体感很少,但是运维这个领域是不变的。最重要的是人机交互变少了,无屏虽说是不可能的,非常极端,但是个趋势,少量的人机交互,它有自决策、自驱动。


自动化运维基础


做自动化运维,我认为有四大基础。


  • 第一:运维标准与规范


我们的标准有什么好处,让研发 follow 这个标准,标准会在工具里固化。


  • 第二:泛监控,运行时,静态,数据化,可视化


泛监控,不是说传统的监控,是把线上想知道的一切都数据化,最终数据不是给人看的,是给机器去消费的,数据是我们的生产资料,不是可视化,那不是我们的目标。


  • 第三:CMDB


  1. CMDB 应该放什么,一般放服务器相关的、网络相关的、应用相关的这三个维度的相关信息。

  2. 经常有人会说 CMDB 不准,数据不准是因为没有把数据生产和数据消费形成闭环,如果形成了闭环数据不准,那是因为你不用这个数据,所以不准。


  • 第四:高效的CI/CD/CD


我们一定要具备快速的交付能力,主要体现这两个方面:第一,新开发的能力能不能快速上线,第二,想扩容一台机器能不能快速扩出来。这两个能力抽象出来是三块。


持续集成(CI),很多人说持续集成工具不好用,效率低,其实持续集成的本质是要自动化测试。如果研发部不具备自动化测试的能力,持续集成怎么做都是失败的。


持续集成里最重要的一点就是要推行单元测试、集成测试还有系统测试,单测是保证自己没问题,集成测试是保证跟上下游没问题,系统测试是保证整个系统没问题。


持续交付(CD),有很多人说持续交付本质是一个 Pipeline,CI的目标是什么?快速正确打一个包出来。CD的目标是什么?能够快速把一个包在不同的环境验证它是ok的,可以放到线上去,这就是持续交付要干的事。持续交付里很关键的一点我们要解决,就是它的环境一致性、配置一致性。环境一致性可以用Docker解决,Docker 本身就是一种标准化的东西。所以说第一条用 Docker,肯定是标准化的,另外一个问题,配置是不是一致性,是不是动静分离。


持续部署(CD),是一种能力,这种能力非常重要,就是把一个包快速部署在你想要的地方。


PS:持续部署的几个痛点。


  1. 对包的文件的分发,阿里有一个叫蜻蜓的产品,是做了 SP2P,在 P2P 的基础上加了一个 Super。

  2. 应用启动,很多应用启动的时候要两三分钟,这是很有问题的。

  3. 部署起来以后这个业务是不是正确的,大家一定要做一个 HealthCheck,不是运维做,是PE做,一定要把这个要求说出来,执行 HealthCheck 这个脚本。


运维系统的重要特性


中间件研发首先关注稳定性,其次是效率,然后是易扩展。运维研发里面的六个重要特征,每一个都非常重要,以下是我感触比较深的几个。



1.高可用


在做同城容灾演练的时候,我把关一切,结果发现运维系统挂了,救命的东西没有了怎么办?所以说运维系统一定要是高可用,不一定是高并发。


2.幂等性


幂等性是分布式系统设计中十分重要的概念,这个也非常重要。


3.可回滚


这个是做运维最基本的一个 sense,你做的任何操作是不是可控的。如果真正做可回滚,其实事情没有这么复杂。


4.高效率


如果你的企业发展非常快速,你的规模性效应已经来了,你的运维系统一定要具备很高效率,快速扩容、快速部署这个效率我们要追求极致。


研发定义运维,配置驱动变更


2015年11月4日设想的架构图


从最下面看,是我们的基础设施,提供三种能力,包括集散、存储、网络。从右下角的位置看,画的是一个泛监控,它会知道系统、应用等,在旁边标了一个字,现状,我要通过这个现状把线上的系统全部数据化,然后放到决策中心。


左上角有 CMDB,现在很多变更系统,很多强调流程。我本人是做研发出身,非常抵触流程,流程不是一个效率工具,它是阻碍效率的。


比如故障搞完以后就是一堆的流程,非常阻碍效率,是质量控制的一个工具。流程不是不要,是把流程做到系统里面去,让系统帮人做决策,而不是人在那里点。


CMDB 定义了我刚才说的目标,现状通过监控拿到了,目标也知道了,这个时候还觉得这个事情很复杂吗?我认为这看你怎么去做。想做成人工还是做成自动或者做成智能,都取决于这个地方。所以智能里一定要有数据。


举个例子,通过智能分析出目标状态是使这个应用有100个VM,但是现在状态只有80个,一看这两个不一样,要扩容20台,如果系统做得更智能一点,通过图上左边的事件中心提示我20台负载较轻的放在哪,可以调度过去,然后去做执行变更。

基于这些东西得出来两个结论,“研发定义运维”,“配置驱动变更”。


为什么是研发定义运维?


研发定义运维(DDO),研发最贴近业务,最应该清楚这个业务应该具备什么样的能力,只有研发才知道这个业务KPS是多少。


为什么是配置驱动变更?


配置就是把目标改变一下,你跟我说一个运维场景,我可以在这个图里面 run 起来,配置只需要改你的目标状态,比如把你的状态10VM 变成15个VM。


这就是“研发定义运维,配置驱动变更”前因后果的思考。


运维工具与方法论



精益发现价值


价值来源于用户的需求,而不是自己的YY,我们的价值来源于用户。


精益对我最大的感触就是要发现价值。精益思想,什么东西是有价值的,能够对用户带来物质上的或者身体上的愉悦的东西就是有价值的。


今天也有人问,DevOps 团队是该拆还是该合,我想他应该首先弄清楚面对的是什么样的问题,问题的优先级是什么?如果只解决一个问题,也许并不是DevOps 团队拆不拆的问题。


敏捷交付价值


敏捷也是对我影响很多的。很多人谈敏捷,我们团队里也搞敏捷,敏捷是要快速交付价值,它是一系列的方法论。但是在引入的时候千万注意,别人行的东西你不一定行,你需要的东西并不一定是敏捷,要因团队而异,形成一个环,持续反馈。


OODA环


OODA 环,就是形成闭环,让价值快速流动。


应用运维平台ATOM


应用运维平台的基础设施是一层,二层是运维中台,最上面一块是要做的 PaaS 平台,这个平台分几步。



  • 第一块,预算、容量、资源、弹性


这个是PaaS 平台上非常重要的一块,目的就是让资源快速流动起来,流向正确的方向来产生价值。资源如果常年不增不减,是有问题的。


  • 第二块,应用管理


这是日常要做的操作,规模化,要快速对一个单元建站、扩容、缩容。


  • 第三块,数据化运营


一定要讲数据,数据不是可视化出来一些报表,是要给结论,告诉用户这个数据完了以后应该是什么,规则中心是什么,是所有运维同学日常的运维经验沉淀。


批量腾挪工具



这个工具不是所有人都需要,可以解决机房的搬迁,凑框迁移。


单机闭环,这是腾挪工具的关键,如果企业有一定规模,这个是需要的。



弹性伸缩工具



弹性伸缩是我们的决策中心。它决定你的资源往哪个地方流,非常关键。



最后,这里是运维领域技术含量最深的一个地方,要搞机器学习、深度学习、强化学习、算法等。



弹性伸缩架构,这个平台不一定很多企业都需要,这里主要介绍在双11的时候是怎么用的。



建一个站点起来只有5000的交易能力,可以通过10分钟时间让它具有30000万的能力,快速决策,快速调动起来。弹性里面是一个 OODA 环,拿它的数据和应用极限做比较,得出来一个策略中心。


弹性一般有水平伸缩、垂直伸缩,对线上做管理,当然我们有额度,这是比较精细化的管理。弹性有观察者模式还有自动化执行,每次弹性完以后有一个控制台,双11做全年压测的时候一般情况下不看这个。

实施效果



嘉宾介绍


陈喻(亚松),阿里巴巴高级技术专家。2014年入职阿里负责持续集成持续交付平台研发团队,2015年调入运维团队,负责交易运维、无线运维2个团队,带领团队保障日常运维及双11大促运维。2016年开始负责Sigma弹性&资源运营团队,主要领域为集群弹性,应用弹性,资源运营,规模化运维,支撑双11,在2016,2017连续2年获得双11卓越贡献奖。


end

在阿里,我们如何管理代码分支?

利用Python实现卷积神经网络的可视化

K-Means算法的10个有趣用例

如何避免HBase写入过快引起的各种问题

更多精彩

 
云栖社区 更多文章 深度学习领域引用量前20篇论文简介 基于区块链的机器学习模型创建方案 如何避免HBase写入过快引起的各种问题 利用Python实现卷积神经网络的可视化 入选Gartner和Forrester报告的阿里云AnalyticDB是如何实现PB级数据分析毫秒级响应
猜您喜欢 谁动了我的 class? Mysql max_allowed_packet 被修改设置为1GB或者1024B原因 每日安全动态推送(08-01) 专访|HPE软件部中国区总经理李时:HPE引领IT战略新形态 美女博士的极客画家生活