追求極致IT性能的運維是精益運維的高度體現(xiàn)!

在復雜的IT運維組織事務活動中，如何確定IT運維的目標，對于很多運維組織來說也是一個難點。有些運維組織用的是穩(wěn)定性/可用性/質(zhì)量的指標，有些團隊用的是效率，有些團隊用的成本指標等等。說實話，在以上諸多指標中，能夠帶來巨大變革力和牽引力的，我個人認為還是效率，或者是性能，就是完成某個事情有多快。但很多時候，需要對這個IT性能形成精確的理解，才能形成真正的作用力。

有人會說，為什么運維的核心目標不是追求業(yè)務的穩(wěn)定性/可用性/質(zhì)量呢?我個人一直秉承的觀點，這些指標根本不是運維人的核心職責，而是開發(fā)、 測試和運維共同的核心職責。記得Jez Humble說過，“測試者并不能增加產(chǎn)品的質(zhì)量，而只是讓質(zhì)量透明出來，更直接的說測試是為了確認軟件是否可部署”。而戴明在談質(zhì)量管理的時候，更是直 接了當?shù)恼f“停止事后檢驗來達到高質(zhì)量的依賴，應該在產(chǎn)品之初就開始考慮質(zhì)量”。其實類推到我們運維過程也是同樣如此，軟件不能靠后期的運維來達到業(yè)務的 高質(zhì)量，而更應該把運維作為早期軟件設計過程的一部分。

我們講要追求IT性能，這個也是來源早期的一個管理思想---精益思想。精益思想的五個原則所蘊含的內(nèi)在核心就是“拒絕浪費，創(chuàng)造價值”，從一開始就要求從客戶的角度來定義產(chǎn)品價值(滿足某類功能或者服務的需求)，通過這一價值的定義，再反向推導出內(nèi)部的價值活動流，比如說需求設計、概要設計、詳細設計、軟件研發(fā)、測試、運維等等。拉動式價值的創(chuàng)造過程是一種讓客戶的價值訴求決定內(nèi)部活動的價值創(chuàng)造，是一種精益式做法，是有目標的行事。持續(xù)改進 式到完美狀態(tài)，其實這個從軟件研發(fā)傳統(tǒng)的瀑布模型到敏捷模型，再到DevOps模型，目的都是讓軟件創(chuàng)作的多個職能組很好的銜接起來，而不產(chǎn)生停滯的狀 態(tài)。這個地方更需要提到的是持續(xù)集成，它是實現(xiàn)精益的一個有效手段，落地的最佳方式。這一思想的背后，無不透露著對性能、對質(zhì)量的極致要求，比如說等待就 是一種精益思想所理解下的性能浪費。

從軟件交付的角度來說，運維是離用戶最近的，那么運維的IT性能和整個IT組織的性能息息相關，另外運維要把IT性能要求反向傳導研發(fā)、測試過程，催其持續(xù)改進。而對IT性能的核心的識別原則，就是從用戶的角度來設置指標。其實本質(zhì)上來說，IT性能的核心指標是吞吐率和延時，但這兩個指標需要和用戶價值流進一步去關聯(lián)。進一步分解，就可以形成如下的指標體系：

（一）服務交付的延時

延時就是看完成一次服務交付要多長時間。這個地方的場景就很多了，核心的就兩類場景：

第一、持續(xù)的軟件新功能和新特性交付過程，應用發(fā)布的過程，處理的粒度是應用，和研發(fā)、測試過程密切相關。這個就是當前持續(xù)集成思考的范疇。

第二、因為容量、服務搬遷等原因，面向用戶的整體服務的交付過程，比如說用戶訪問量增加，擴容數(shù)據(jù)庫，擴容前端，擴容某個組件等等，這個聚焦在運維內(nèi)部過程就可以了，無須軟件設計、軟件研發(fā)過程的接入，純運維的輸出。以下就是一個完整的服務上線過程圖：　

（二）服務交付的頻率

頻率可以算是單位周期內(nèi)的交付能力。一個典型的場景就是每個月持續(xù)部署的數(shù)量，由此折算出交付的頻率怎么樣。以下是我們當前游戲持續(xù)部署平臺的交付能力，有了平臺之后對人的依賴大大的降低，同時吞吐率大大提升。

而剛剛說的整體服務交付過程，可以由自己的業(yè)務調(diào)度變更平臺輸出，這個地方重點關注批量作業(yè)的能力，比如說一個變更單能擴容多少臺，花費時間多少?這種往往是用戶需求拉動的，所以對他的頻率考察要求就不是太高了。

（三）故障恢復的延時

故障恢復的延時直接會影響服務的可用性，影響用戶對產(chǎn)品質(zhì)量的感知。服務恢復的越快，就說明運維故障處理能力越強。在進一步細分故障處理能力的過程，可以分解成三個部分：故障發(fā)現(xiàn)、故障定位、故障處理與解決。這三部分都直接考察了運維的能力，這三部分能力可以直接的映射到監(jiān)控系統(tǒng)上。故障發(fā)現(xiàn)是需要監(jiān)控系統(tǒng)要走向基于用戶的實時監(jiān)控上去；故障定位是需要監(jiān)控系統(tǒng)能夠打通基于用戶流的數(shù)據(jù)能力；故障處理是需要運維人工的處理經(jīng)驗沉淀，然后再自動 化。

有了如上的核心指標之后，那么我們就需要同步思考那些因素會影響IT性能，這些點就需要后續(xù)持續(xù)的改進。個人也總結了一些自己看到的點：

（四）建立開發(fā)與運維之間的互信

開發(fā)一定不要把運維當做一個簡單的資源提供者角色來看待，需要準確的看待運維的價值。只有運維才有能力從所有業(yè)務的角度出發(fā)，構建統(tǒng)一的IT服務平臺提供給業(yè)務使用，對于公司來說，也是一種降低浪費的方式。開發(fā)和運維之間的互信、合作以及責任共享的團隊氛圍是高性能運維團隊的基礎，缺少研發(fā)、測試的支持，運維只能在低級層次上做服務封裝，而缺少對運維的深層次理解。

（五）團隊的多樣性

對于運維團隊來說，首先需要保證運維研發(fā)和運維執(zhí)行者角色搭配，但需要有一種機制就是運維執(zhí)行者需要不斷的把需求轉換到運維研發(fā)團隊，讓他提供平臺性的實現(xiàn)，甚至運維執(zhí)行者自己也需要嘗試轉變，使自己具備運維研發(fā)的能力。其次對于團隊來說，需要有個階梯性，都是運維執(zhí)行不行，都是運維研發(fā)也不行，都是運維技術性高手也不行，需要有推動能力強的，技術能力強的和運維研發(fā)能力強的搭配等等；最后運維團隊需要有女性角色存在，當然你不能把她當男人使用，這樣你的團隊就缺少了柔性。

（六）可視化運維過程

我覺得沒有比可視化的要求更能驅動運維的過程。但你想著要可視化的時候，一定想著如何簡化你的運維過程，否則實現(xiàn)起來非常的繁瑣。可視化，是運維把問題化繁為簡、把思路從模糊變清晰、把工具變產(chǎn)品的一個過程。

（七）持續(xù)交付(持續(xù)集成+持續(xù)部署)

這是敏捷業(yè)務形態(tài)下的標配了，更是互聯(lián)網(wǎng)業(yè)務的一個標配。但對于傳統(tǒng)業(yè)務來說，實施持續(xù)交付貌似還有一點難度，很大一部分和服務耦合有關系。做互聯(lián)網(wǎng)不可能不知道Jenkins，不可能不知道持續(xù)部署。具體的最佳實踐請參照【持續(xù)集成】那本書，里面寫了很多最佳的實踐標準。

（八）一鍵化調(diào)度平臺

通過該平臺來解決整體服務交付的能力問題，一鍵化調(diào)度平臺需要打通所有的運維內(nèi)部服務，把所依賴的運維服務和技術架構服務抽象成一個個API供其調(diào)用。此時需要對線上服務環(huán)境做一些標準化的約束，比如說服務之間的調(diào)用抽象到名字服務中心，應用環(huán)境對系統(tǒng)環(huán)境零依賴等。線上技術架構的運維管理應該Api服務化，可以通過API來控制技術架構中的服務，比如說配置文件管理/組件服務管理/服務降級服務/服務過載保護設置等等。越API化，意味著機器能夠控制的能力越強，也就意味著運維性能能力可以越高。

（九）端到端的監(jiān)控平臺

監(jiān)控在故障恢復延時中起到核心作用，需要化運維被動監(jiān)控變?yōu)橹鲃颖O(jiān)控。從用戶的角度實現(xiàn)主動式的監(jiān)控才是真正的監(jiān)控系統(tǒng)發(fā)現(xiàn)問題的有效手段，而非傳統(tǒng)的監(jiān)控系統(tǒng)從系統(tǒng)內(nèi)部指標看問題。端到端，從用戶側到服務側，基于應用的拓撲完成整個數(shù)據(jù)通路的構建。

還有一個因素要特別注意，就是架構的智能決策能力。在個人推動SDK雙中心的時候，當我們設定服務故障恢復時長為8分鐘，發(fā)現(xiàn)真正的系統(tǒng)恢復能力不是靠人，而是讓后臺故障被前臺感知，從而讓前臺實現(xiàn)智能決策，屏蔽故障節(jié)點。這樣的例子比比皆是，mysql的故障由proxy來屏蔽決策；proxy的故障由名字服務來調(diào)度屏蔽；名字服務的故障實現(xiàn)高可用，不依賴中心節(jié)點；邏輯層故障也由名字服務中心來調(diào)度屏蔽；web層故障由負載均衡層調(diào)度屏蔽；負載均衡層故障由DNS或者httpdns調(diào)度屏蔽。

IT性能，應該成為運維團隊的核心驅動力，它能夠直接反映運維能力水平。運維對IT性能的極致苛求，也直接反映了運維團隊自我價值要求，甚至也決定了運維團隊的能力建設。沒有IT性能最強的運維團隊，只有IT性能更強的運維團隊。它如同優(yōu)化線上的業(yè)務程序一樣，運維團隊的性能優(yōu)化也永遠沒有終點。