从维护到流程革命

一想起”运维“这个词，大家就想到的是运行维护，保证系统稳定运行。

中国互联网发展创造了科技神话，伴随着用户和设备规模不断扩大，运维技术也不断发生变化

• 人工运维
• 脚本和工具的使用
• 平台建设，向自动化，智能化方向发展

运维和开发人员从”分离“状态转变成”融合"状态，DevOps从一种实践方法论从09年出现，逐渐涉及到开发和运营生命周期的各个阶段。

运维工作也从操作性的维护工作，发展为需要多方面知识，具备IT综合能力的研发运维工作，难度也翻了山头。从维护性工作到软件开发革命。

从人工脚本到自研平台

互联网早期，线上系统规模和服务器数量不大，可用脚本来进行部署维护工作，最初的业务运维，也就是做好服务器的部署和变更，及时处理掉一些告警，排除隐患

2010年左右，互联网行业快速发展（SNS互动大爆发），用户规模增大，要维护的系统资源有了大规模的增长，靠人工脚本已经捉襟见肘，运维的“资源”和运维岗的人数同步上升，到后来，资源可大规模投入，但运维人员可不能照样同步增加

人工运维存在风险，效率也无法支撑规模化发展，就进化到用平台去解决运维问题的主流方向，运维平台使得研发和运维互为结合，DevOps概念开始出现

云计算的发展，成千上万的服务器，运维必须从全局角度思考如何用平台化的手段解决问题，追求大规模场景下的效率，用集中化的监控平台把云数据中心的告警等统一在一个地方管理

运维从最初的职能（安全+质量），扩展到（安全+效率+质量+成本）多维度并看

云计算的成本是商业模式里非常重要的一个因子，需考虑如何用最优的成本去提供优质服务，要极致，就要对系统有精细化的掌控，运维有了开发职能，对研发能力要求也提升了，难度非脚本时代可比拟的了

云服务

数据中心的运维是云服务正常运行的一大支柱，电力系统，空调系统，新能源储能跨界设计

早期的基础设施层面，属地化运营，监控告警都是厂商提供的，但随着规模扩大，效率要求提升，就需要自研集中平台化的统一运维平台，全层级掌握非厂商层面可以做到（集中监控，园区，模组，配电单元，采集器等）

过去的告警一般从设施出问题到捕获到告警大概是分钟级，自研的要求能提升到10秒下，及时定位排除故障

云数据中心，还引入对基础设施的物理建模，用数字孪生技术实现对基础设施的配电和暖通的图形建模，可视化表征整个数据中心实时运行状况

基于图模一体的技术实现告警风暴的收敛，包括告警的一些降噪处理，把影响到现场运营效率的无效告警在平台层面处理掉

• 运维利用故障树，知识图谱等方式快速定位故障根因，节省故障排查时间
• 用AI模型对设备进行精准预测，实现设备自动化巡检，保障运营安全等
• 用机器学习算法和设备机理结合，寻找最优设备运营控制策略，节约运营能耗

DevOps

研发团队在引入敏捷后讲究快速变更和迭代，运维层面追求的还是稳定，可靠，安全，沟通协调琴瑟不和，总是争论。

DevOps之父提出一个解决方案，聘请“思维过程与开发一样的运维人员”，建设系统以一步构建和部署项目。最终发展成一系列自动化整合实践，让所有团队回到最初的目的上来，更快更可靠的构建测试，更高效的交付软件。

• 源代码管理
• 持续集成
• 软件测试自动化等流程

背后避免浪费，自动化，全流程的思想给企业带来了一定的收益，降低了信息化转型过程中的门槛

DevOps是敏捷发展的自然结果，在最后一公里破墙衔接起来了。

谈业务成本的时候，在分析每一个不良的中间环节时，都需要去思考怎么尽可能去减少浪费

微服务

微服务是研发组织扩张的一剂良药，但也带来了更高的运维复杂度，提高了可观察、测试等难度，容器的出现给微服务提供了一个量身定做的底座

研发组织扩张是应对复杂度上升的需要

容器化提供支持后，DevOps自动化的能力，成本管理能力都得到了加强。DevOps需对全流程有更多的观察，更多的透明性。容器技术的资源伸缩，成本的控制，很好地提供了支持

当大家有了共同的目标，开发团队也在转型，会去关注质量的左移和右移，尽早发现问题，避免问题向下游走，也会更多去关注运维层面的问题，根据发生的问题去做复盘和根源分析，缩短问题解决的时间，更高频的交付。

软件运维的主要矛盾是不断增加的架构复杂度和快速变更间的矛盾。按理说，运维也会参与架构设计层面的事情，对架构进行抽象，提供更标准化的架构设计和建议，因为标准化的架构设计就意味着更好更轻松的运维能力，抽象层的建设也能更好实现运维层面的自动化工作。

AIOps

在深度上，在数据问题上，结合人工智能，就有了AIOps，基于算法的运维

海量信息中有大量需要去挖掘和观察的信号，这正是AI擅长的范围。

通过挖掘在可观测领域曝出来的这些数据，消灭噪音，做自动化告警的聚合，最终带来更深入，更准确，更快的运维，价值是非常明显的

怎么快速在大量报警信息中得到因果关系，快速选择最正确的响应变更路径。进一步提升故障预警能力，建立提前防御的机制。

AIOps也给运维工程师提出了更高的要求，不仅左移到架构，代码方向，更要提升一些更垂直的能力，如掌握大数据，机器学习这些知识。把运维经验结合运维数据，用机器学习的方法对这些数据进行归纳总结，模型评估，模型选择，参数调整等运维决策，成为一种多领域结合的专家

数字化转型

数字化转型意味着引入技术，流程和文化以实现共同目标，拆开来看

• 资产的全生命周期管理，实时掌握资源使用情况，系统健康状态
• 实现数据的可视化，自动化部署，自动化处置，自动化故障接管等
• 逐步发展的趋势是：提高各岗位对数字精细化的敏感度
  • 高密度IT机架运行大数据和AI业务会消耗大量电力，要确保关键业务可靠运行，必须保证机架峰值功率运行在额定容量内。没有可信精细数据，可能倾向于保守运营，预留太多冗余容量。数据精细可信及有综合分析能力（应对数据异常）时，可在保证可靠情况下充分提升电力容量利用率，降低电力成本，也符合各企业碳中和的战略目标

数字化是对现实场景的数字化表征，一定体现在对数据的实时掌握的基础上，要求数据的采集，监控是全方位的，并且是立体的。

数字化转型意味着团队经常应对发生冲突的挑战

建立学习型组织，每个角色都有全流程能力

结语

一路而来，是一路超载发展的路程。“超载”，就是在不同时期，根据业务需要被赋予不同的职责和责任，有此而来，想象的空间才会变大，可做的事情也越来越多，未来会有更多可以发展的方向。