阿里DevOps转型之后，运维平台如何建设？

Posted 2021-04-16 51CTO技术栈

“

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自身对运维的理解，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。

“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

运维的三个阶段分别如下：

• 黑屏，人工运维，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，目前很多企业可能还是这样。

• 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。

• 无屏，智能化运维，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：

• 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。

• 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。

• CMDB。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。

  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。

• 高效的 CI/CD/CD。我们一定要具备快速的交付能力，主要体现在两个方面：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。

上面两个能力抽象出来，有如下三块：

• 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，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。

持续部署有如下三个痛点：

• 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。

• 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。

• 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：

• 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高可用，不一定是高并发。

• 幂等性，幂等性是分布式系统设计中十分重要的概念，也非常重要。

• 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，事情没有这么复杂。

• 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，这个平台分为如下三步：

• 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。

• 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。

• 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

我们的展望，PE 转型以后，希望让研发来使用我们的运维，降低他运维的复杂度，降低运维的门槛。

我们是通过系统化的方式来做，研发只需要把他的目标写出来，让运维这个东西像山一样沉下去，感知不到。

然后是资源的闭环。规模化，现在 PE 做两大块，第一是规模化运维，然后是单应用运维，很多人理解把线上系统发布到线上去，扩容几台，这就是单应用运维。其实我们应用的蓝海是规模化运维，这会涉及到方方面面的事情。

简介：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。

编辑：陶家龙、孙淑娟

精彩文章推荐：