对运维开发工作的一些思考

编辑摘要:运维开发这个岗位与普通的业务开发不同,与日常的运维工作也不同。要求兼顾开发与运维两种能力。既要掌握不弱...

运维开发这个岗位与普通的业务开发不同,与日常的运维工作也不同。要求兼顾开发与运维两种能力。既要掌握不弱于业务开发的开发技术;又要负责SRE同学日常的运维能力;上线之前,还要像QA同学一样,对自己的服务进行测试和分级变更。

多种能力的交叉,造就不一样的视角:这群人给自己起了一个很简约的名字:DevOps。

DevOps

按百度百科解释:DevOps是开发、技术运营和质量保障三者的交集。在我看来,DevOps其实只是一种方法论,从这种综合的视角出发,包含一些基本原则和实践方法,仅此而已。
DevOps从架构、开发、测试、发布、运维、变更整个流程来考量,从这种综合的视角出发,能将部门之间的沟通隔阂消灭于无形。会给我们公司和项目注入新的活力。

DevOps这个概念,本文暂不做讨论,本文内容只针对运维领域【自动化平台开发】的工作,进行探讨。

前言

运维开发的工作,所需能力的复杂,工作性质的交叉,自然会导致很多同学在其中会有些困扰。

很多刚毕业的小同学,接到运维开发的offer的时候,很可能是一头雾水:“运维?开发?到底是运维还是开发?”
有很多从业多年的同学,拼命的追求技术与对底层的探索,却忽略了产品层面的思考。
也有很多整天忙忙碌碌的同学,在业务方的各种零碎的需求中,修修改改,消耗了大多数的时间,最终平台却变得千疮百孔。

本文,将我关于这些问题的思考分享给大家。

什么样的平台,是好的运维平台?

既然我们是在做平台,那我们要了解的第一点,就是好的运维平台,是什么样子的。如果让我们来从头设计一个平台,我们应该如何去考量?

  • 效率 & 成本的均衡
    运维平台,是服务于运维的。对运维来说,除了稳定性之外,最重要的,无非就是效率成本。如果我们的平台,可以用更少量的时间或资源成本,来提高更多的效率,那就是一个非常成功的平台了。
    至于如何量化比较,就因系统而异了。
  • 体验 & 人性化
    为什么我要把体验放在第二位,因为我们好多的运维开发工程师,在开发的过程中,太多的去注重系统的稳定性和性能了。完全不把体验放在眼里。
    我想说的是,有时候,如果不关注用户体验,我们做了再好的功能,没有人用,那这个功能意义何在?用户价值用户体验在某些情况下,是会画等号的。
  • 优秀的系统架构
    在业界,无论是运维系统也好,业务系统也好,优秀系统的架构都是大同小异的:
    稳定性:负载均衡、多活等。
    扩展性:每次增加功能,可以很小的开发成本实现。而不是每次都要重构。
    伸缩性:没有核心的单点,大部分性能瓶颈,都可以通过横向扩展来解决。
    自我保护:把可能会导致性能瓶颈的点都拆解开,用队列、限流等手段消除流量突增的高峰带来的危害,保护自身。
    安全性:敏感服务加入权限与认证,web服务避免常见的漏洞如SQL注入、XSS、csrf等。做好操作记录方便后续审计。尽量不要出现短板。

如何运维自己开发的平台?

运维开发在大多数时候,要负责运维自己开发出来的系统,俗称吃自己的狗粮。或者很多人跳槽之后,第一件事情,也是从运维别人的系统开始的。那我们如何运维好一个平台呢?
运维与开发的工作,思路其实不尽相同。虽然都是基于稳定性来考量,但可能要想的更多、更广,任何有可能影响到我们业务的稳定性的因素,都要考虑在内。
用我目前总监的一句话来讲,就是:我们运维同学与开发同学,最大的不同点,就是稳定性的意识

  • 架构上的稳定性:这个其实更多的是比如多活、负载均衡、流量调度、硬件冗余之类的考量。服务在实例挂掉的时候,如何不影响稳定性;专线断开的时候,如何仍然正常的提供服务等等。

  • 快速地发现问题:无论我们的架构多么完善,也很难做到尽善尽美。那么在一些需要人为介入处理的故障中,快速地发现异常,能直接降低服务的不可用时常。因此,对于一般的服务,将报警配置的更完善,是我们能快速定位异常的第一步。
    还有,对于监控系统,自身的故障,不能通过自身的监控来发现,最好还有一套独立的自监控。

  • 应急预案&演练:在梳理一个服务的运维工作的时候,其实我们能很明确的感知到,某个地方出问题需要人力介入。而除变更之外的一般的故障,我们都是可预见的。而一旦真的出现这种问题,如果我们没有准备,即使知道如何去做,也可能会由于手忙脚乱而出错。
    因此,设定一些可能发生情况的应急预案,定时演练,是一个可以在故障时快速恢复服务的手段。

  • 自我保护:一般的系统,都有上游,如何保证上游的数据异常对自身产生影响,也是很重要的一点。总结起来,总共有三类:过载保护、脏数据的保护、变更保护。

    1. 过载保护:上游流量太大,导致自身服务不堪负重。这种情况要根据场景不同,考虑加入消息队列,或者限流。
    2. 脏数据保护:上游来的数据,是否应该完全信任?是否有脏数据会来影响我内部数据的准确性?比如安全扫描的流量,很大程度上就会对很多系统产生脏数据。这种最好有过滤的规则的配置,能摘除这部分流量。
    3. 上游变更保护:上游的变更,需要及时知晓和跟进。如果上游不够规范,很可能会修改接口或者数据格式。即使上游规范,也要跟进上游变更容易造成的影响,人为确认没有问题。
  • 容量规划:随着系统负载的升高,系统的服务能力并不是线性下降的。《SRE: Google运维解密》说过:当负载到达临界线的时候,一个逐渐变慢的系统最终会停止一切服务。因此,要在系统瓶颈到来之前,预估未来一段时间内服务的量级,在量级到来之前,做好应对措施。
    笔者公司目前有一个topic,就是全链路压测。运维团队与所有业务团队一起建设,压测常态化,每时每刻对系统全链路各个环节的瓶颈都了如指掌。其实也是在做这件事情。

  • 变更管理:“SRE的经验告诉我们,大概70%的生产事故都是由某种部署的变更而触发”。因此要管理好我们的变更的机制:

    1. 采用分级发布机制:先pre、再小流量、再中流量、再全量。
    2. 制定全面CheckList:保证变更部分所有功能都有测试可以覆盖,能快速发现问题。第一时间回滚。
    3. 出现问题,先回滚,再定位:这个不用多说,先止损,再慢慢查问题。

除了开发与运维,我们还要做什么?

运维开发的定位,注定要比业务开发承担更多的责任。因为这群人除了是自己的RD,还要自己做自己的PM、OP、QA。
因此,我们要考量的,还有产品和需求层面的东西。

  • 需求管理
    作为开发,尤其是没有正经PM的开发。管理好需求,可以让我们把精力放在最重要的地方,解放我们的精力、提高产出。

    1. 流程闭环:从用户每次提一个需求开始,一直到这个需求跟进结束,或者需求被讨论后打回,都要有一个详细的流程管理工具,笔者公司用的是jira。有了这个工具,就可以很好的看到需求的状态,便于跟进和统计,真正解放我们的笔记本。
    2. 把控好优先级:根据项目的定位,来划分需求的优先级。
      比如,对于一个运维平台项目,一般来讲用户比较固定,针对的是一群高玩SRE,那优先级考量是:稳定性 > 性能 > 功能 > 体验
      对于优先级的考量,要经常与自己的上级沟通。由于观点和视野的不同,个人考虑的优先级会与小组或者部门的优先级有所偏离,此时与上级及时的沟通,可以将个人的目标与团队的目标对齐,争取产出最大化。
    3. 产品视角 & 抽象能力:我们管理好了需求,确认好了优先级,是不是按照我们的优先级埋头苦干就行了呢?答案当然是否定的。
      视角、见解不同的用户们提出一堆细碎的需求,如果我们从头来实现一遍,并不能真正让这些用户满意,却只会让系统越来越烂。
      笔者之前就经手维护过这样的系统,勤劳的工程师兢兢业业,满足了一个又一个的需求,各种各样的高级功能。后来,却由于系统过于复杂,导致最基本、最常用的功能都要找半天。最终不得不重构。
      因此,去深度思考用户真正需要的是什么东西,而不是被业务推着走。将用户细碎的需求,真正抽象成平台要建设的一个一个的功能。
      经常思考一下:用户虽然提了这个需求,但是他真正的痛点在哪里;多个类似需求之间会不会有什么共通点;是否可以抽象出一个公用的模型,用一个功能来满足多个需求。
  • 量化
    If You Can’t Measure It, You Can’t Improve It,量化是优化的前提
    量化有很多方面,比如说量级、延迟、成本,都可以量化。
    把所有的点量化完之后,我们做事情就不会蒙着头乱撞,所做的事情、所维护的服务,也不再是一个黑盒。我们可以对它的上下游关系、自身的稳定性作出宏观、统筹的分析。
    进一步的压测及SLA,均要依赖量化。

  • 制定SLA
    简言之,SLA就是,在一定的限制条件下,我们服务可以保证的质量。
    SLA,是服务的维护者完全的了解了自己的系统,对系统的瓶颈有了深刻的理解之后,所给出的服务质量的保证。同时也是我们服务自身能力的一种说明。
    一个系统,性能再好,也总会有瓶颈。把瓶颈和风险,让用户知晓,是我们的义务。
    对服务的维护者来说,在提供服务之时,约定好服务的SLA,既能从一定程度上规范使用者的行为,也能在出现问题的时候,保护自己。

除了做这些事情,我们还要想什么?

  • 制定规范,并让规范在平台落地
    规范的制定是一个比较宏观的事情,一般情况是由稳定性负责部门向全公司整体给出的建议。约束的可能是全公司的变更的规则、以及平台的使用方式等。
    制定规范的方面,此处就不做详述了,大家可以参考我目前经理的一篇很有指导意义的文章:《在滴滴,我们如何做运维》。
    规范的落地,不能仅仅依靠各方业务的自觉性,也要在平台做好限制引导
    我们做平台,最终产出的仍然应该是 业务的价值。比如效率的提高、成本的降低、稳定性的提高等。规则在平台的落地,可以产生直接的业务价值。
    具体的实施方式可以考虑限制引导两种手段。

    1. 限制:上线窗口的规范,非上线窗口必须走紧急流程由部门一级管理者审批;监控单台机器上报指标数的quota,都是使用的限制的手段。
    2. 引导:通过一些方式,让用户自觉的依照我们的规则来执行。可以使用奖励、通报的一些方式。比如笔者公司的 变更信用分监控健康分都是此类手段。
  • 协调开发与答疑
    运维开发的同学们,除了要做自己的PM和QA之外,有趣的是,还要担任自己的客服
    日常工作中,经典的答疑主要分为两类:使用方式对平台的质疑

    1. 使用方式的日常咨询,首先可以完善用户手册,把所有的使用方式和常见Q&A都写好。其次可以考虑机器人答疑,目前笔者负责的系统都接入了机器人自动答疑,把一些常见的问题以及文档都加入到知识库里,基本问题都可以解答出来。
    2. 除了日常使用的答疑之外,也会有很多的“高玩”来challenge我们的系统。这些人基本分为两类,一类是对运维平台有深度思考的人,chanllenge的同时会带来很多建设性的意见和建议;另一类就是单纯的小白用户,对系统思考不太深入,喜欢无脑chanllenge,我们也要同时思考如何与这类用户说明,提高小白用户的体验。
      因此,给出服务的SLA,做好服务的自监控,将所有内部状态通过自监控暴露给开发者,而不是让自己的服务变成一个黑盒。是我们作为DevOps的基本素质。

后记

时光荏苒,倏忽之间,已入行五年。从一个小小的实习生,成长到现在勉强可以独当一面。
五年来,一直在自动化运维平台开发领域耕耘。从刚开始重构服务树、权限系统模型、堡垒机登录;到后来的流量调度、监控系统报警与存储的深度建设。有很多个人的感悟与成长。
梳理了一下,分享给大家。
最后附上笔者思考本文时的脑图。

运维平台开发的思考 via 高家升