跳到主要内容
版本:v1.1

3.1 核心思想

SREWorks产品解决方案的核心思想:以“数智”能力为驱动内核,抽象运维业务的“交、监、管、控、营、服”场景界面,支撑运维领域需求—— 质量,成本,效率,安全。
image.png

运维业务领域(需求)

在不同的公司,或者是同一个公司里不同的发展阶段,运维所承担的职责都会有所不同,运维的价值也没有固定的公式去计算或衡量。但无论是职责多变,还是价值各异(体感高低),运维相关的内容边界或者是需求都可以划定在“质量、成本、效率、安全”的几个本质维度下,所有公司或阶段的运维工作无非都是解决上述四类领域场景需求。

质量

对于质量的解释,美国著名质量管理专家 J.M.Juran 博士从顾客的角度提出的定义:“产品(服务)质量就是产品(服务)的适用性,即产品(服务)在使用时能成功地满足用户需要的程度”。简洁一点描述即“满足用户需要的程度”,在阿里我们更多将质量称之为“稳定性”,近年来也有业务“连续性”的说法。围绕其相关工作的泛称即稳定性管理,或业务连续性管理。无论是稳定性或连续性,都属于产品或服务质量的一种“程度”描述。

成本

本质上对应业务部门产生效益,而运维则属于成本部门,也就是花钱的部门,但是运维可以通过成本控制产生效益。在海量规模服务的情况下,资源/人力都是非常昂贵的资源,成本的控制精细化考验了运维团队的技术能力和管理能力。

效率

效率无处不在,在不同的场景下都有涉及,比如资源、业务交付效率,研发活动效率,变更效率,故障定位,问题处理效率等。效率是运维平台的能力体现,特别是在海量规模服务的场景下,假如没有运维平台的效率提升帮助,那将会整体阻碍业务乃至公司的发展。

安全

安全是一个互联网产品的生命基线,要建立一个全面的安全体系,从系统安全、数据安全、网络安全、应用安全等各个维度去对待安全的问题,其中对于数据的安全保护,更是中重中之重。整体上安全涉及的内容非常的多,一般稍微大点规模的公司需要建设专业的安全团队。

在上面我们从四个维度出发看运维本质相关工作,运维要搭平台,建规范,做标准,还要用自动理念提升效率、数据驱动测试/开发/运维、智能手段提前发现/预测风险问题等。这些可以看成是方法论,如何能从理论快速获得一套体系化、工程化、产品化的能力实践,去支撑满足上述四个维度的需求就是我们SREWorks所考虑的问题。
image.png
我们利用分层思想构筑SREWorks平台产品体系,借鉴经典SPI(SaaS/PaaS/IaaS)三层划分思路,SREWorks也可以由“运维SaaS应用场景层、运维PaaS中台服务层、运维IaaS接入层”。在SREWorks中融入运维规范、标准化思想,利用产品承载自动化流程、数据驱动、智能内核的思想方法论实践。

运维业务场景(界面)

在运维SaaS应用场景层,我们思考一个问题:对于研发活动,从代码到线上业务服务的整个过程,运维或多或少都参与了哪些工作?如下图所示,我们将所支撑的运维业务场景划分为“交付、监测、管理、控制、运营、服务”六大场景块,每块内容里都有代表性的核心功能。
我们统一以应用抽象来描述业务系统,开发人员将研发完成的应用制品在交付阶段完成上线后,对于线上应用实例,负责其生命周期管理的监管控,并将我们所拥有的运维数据能力提供增值化的运营、服务,帮助有需要的人员提供便捷的视图、管理能力等,下面将对这六大场景块做详细的定义及边界说明。
image.png

交付

定义从应用的代码开发测试,到发布线上部署应用实例的过程为交付场景,该场景对应业界的DevOps或GitOps所覆盖范围,交付场景提供的功能包含代码托管管理、代码编译构建流水线管理、应用制品分发、线上部署等,同时还包含基础设施依赖的管理。
在云原生时代,交付环境更加统一标准化,可借助Kubernetes统一不同基础设施差异,向应用提供统一的资源采用模型,而基础设施管理也可以统一抽象为Kubernetes集群管理,或多云管理。

监测

当应用实例部署到线上运行后,应用运行时将会产生日志、指标、事件、跟踪等一系列运维原始数据,监测场景的主要功能就是对一系列运维数据进行监控或二次加工处理,用来监测应用实例的运行情况是否在我们预期范围内。
监控领域发展很久,工具繁多,协议标准也各异,在云原生时代由于底层基础设施的统一抽象化,监控领域也迎来了“云原生全观测”时代的统一理念,这一领域的标准化协议规范也在火热构建中。

管理

当监测到系统运行风险异常或故障时,我们需要对线上系统进行一些一次性的变更管理,或者是正常计划中的应用版本配置变更、日常维护变更等,这类由人去决策并触发执行的场景我们定义为管理场景。通过一系列自动化的变更管理工单实施,让应用运行在我们预期范围内。
其中在云原生时代有个核心理念:不可变基础设施。因此云原生时代的线上变更更多是应用版本化的变更,会直接通过应用实例Pod的重新rolling来完成,尽量去避免修改线上环境配置等。

控制

对于控制场景,本质上也是对线上系统进行变更管理,相对于管理场景的差异,我们定义由由系统不断去发现、决策并触发执行的场景我们定义为控制场景。通过对线上系统运行状态的一系列描述及监测,我们有相应的“自愈”或者“调和”功能模块去不断重复“感知、决策、执行”的逻辑,确保系统运行在我们的预期范围内。
也可以将控制场景理解为,无人值守或无人运维(NoOps)场景,在一开始的时候我们将一些简单的运维场景去无人运维化,随着运维工作的展开,我们可以尝试将更复杂的,模拟人处理的日常维护场景去做无人运维化,参考汽车的自动驾驶的发展演进,有异曲同工之处。控制场景的丰富与否体现了AIOps实践的成熟度。

运营

当我们拥有了全量的组织人员、系统、应用全生命周期的数据后,我们可以很容易实现一系列运营场景。可以实现基础设施或平台的资源运营、稳定性运营等,也可以利用应用中业务对象实例相关数据,实现线上业务的运营。还可以对运维平台自身进行运营,可视化运维领域工作成果等。

服务

研发体系内角色众多,一般包含开发,测试,运维,运营,资料以及管理人员等,无论是烟囱式、还是一体化的研发队形,都有分工协作的场景,而运维作为掌握线上线下各系统数据最多的角色,他们有义务将一系列相关能力提供出来为他人所用,所以我们定义运维能为其他角色提供协同服务的场景为服务场景。典型代表为知识库、ChatOps、机器人答疑等场景。

“数智”运维(内核)

大数据&AI的思路可以用于商业化价值挖掘,同样在运维领域也能适用,“数智”的缩写“数据化、智能化”就是指的大数据&AI技术,使用数据化和智能化实践运维产品的思想,向运维工具或平台注入血液和经络,赋予了运维产品的灵魂。
借助于大数据&AI思想及平台工具,可构筑面向运维领域的数据化、智能化运维能力,我们称之为DataOps,并在DataOps基础之上叠加AI的能力,并实现“智能感知、智能决策、智能执行”的闭环使之成为我们的AIOps体系。利用数据打通、连接产品的每一项功能,附加AI能力去进一步增强、关联运维的数据和功能,探索、挖掘出对业务更有价值的场景。
image.png
借助阿里飞天大数据&AI平台能力构筑的“数据运维平台”和“智能运维平台”是大数据SRE在数据化运维和智能化运维的最佳实践,在开源版中可以窥探到部分功能及场景的实践,方法论思想是一致的。

数据化运维(DataOps)

数据化运维的本质——从运维数据到知识的价值提取。什么是数据化运维? 我们这样定义:数据化运维是一套能将“生产系统”进行运维量化管理的业务模型,基于该业务模型建设标准化的运维数仓,把所有系统的运维数据统一采集起来、真正打通,深度挖掘这些数据的价值,为运维提供数据决策基础和依赖。 从系统“稳定性、成本、效率、安全”多个维度去驱动自动化、智能化的运维运营。相比于传统运维,DataOps的改变可能就是把传统的使用命令、人工决策的运维过程转变成数据+算法的模式。
image.png
整体思路分解下来包含了标准化运维数仓建模,统一的运维数据采集、数据计算、运数据服务以及运维数据应用,按照规范建立运维数据仓库,然后把所有运维相关的数据做分类抽象,包含公共数据、业务数据、元数据,runtime实时数据。基于这些数据抽象,我们提供了大量的运维服务和数据服务,比如异常检测分析、故障自愈、可视化流程、运维搜索、运筹优化、全链路诊断等。

智能化运维(AIOps)

AIOps 中的 AI 经过修改后,目前最新的释义是 Artificial Intelligence。为什么说实现 AIOps 必须要经过DataOps 阶段?因为我们认为 AIOps 其实就是在传统的数据化运维之上附加智能,如果在感知、决策、执行每个阶段都附加上AI的附加值之后,我们认为这才真正实现了 AIOps。
常见的AI手段包括算法、深度学习、神经网络等等。AIOps 绝对不是从无到有,它一定是随着你在某个领域持续地构筑、持续地积累,然后在每个阶段附加上新的AI。