大規(guī)模集群運維管理技術(shù)點分析

云OA系統(tǒng)管理在實際應(yīng)用中會遇到各種各樣的問題。作為一名優(yōu)秀的云oa系統(tǒng)管理員，應(yīng)該能夠應(yīng)變各種可能發(fā)生的問題，為企業(yè)帶來更多的效益。我們今天為大家總結(jié)一下大規(guī)模集群運維管理的技術(shù)特點，為IT管理員積累應(yīng)用經(jīng)驗。

首先我們先要明確集群的概念，集群不是泛指各功能服務(wù)器的總合，而是指為了達(dá)到某一目的或功能的服務(wù)器、硬盤資源的整合（機(jī)器數(shù)大于兩臺），對于應(yīng)用來說它就是一個整體，目前常規(guī)集群可分為：高可用性集群（HA），負(fù)載均衡集群（如lvs），分布式儲、計算存儲集群（DFS，如google gfs ,yahoo hadoop），特定應(yīng)用集群（某一特定功能服務(wù)器組合、如db、cache層等），目前互聯(lián)網(wǎng)行業(yè)主要基于這四種類型；對于前兩種類似，如果業(yè)務(wù)簡單、應(yīng)用上post操作比較少，可以簡單的采用四層交換機(jī) 解決（如f5），達(dá)到服務(wù)高可用/負(fù)責(zé)均衡的作用，對于資源緊張的公司也有一些開源解決辦法如lvs+ha,非常靈活；對于后兩種，那就考驗公司技術(shù)實力及應(yīng)用特點了，第三種DFS主要應(yīng)用于海量數(shù)據(jù)應(yīng)用上，如郵件、搜索等應(yīng)用，特別是搜索要求就更高了，除了簡單海量存儲，還包括數(shù)據(jù)挖掘、用戶行為分析；如 google、yahoo就能保存分析近一年的用戶記錄數(shù)據(jù)，而baidu應(yīng)該少于30天、soguo就更少了。。。這些對于搜索準(zhǔn)備性、及用戶體驗是至關(guān)重要的。

接下來，我們再談?wù)勅绾慰茖W(xué)的實現(xiàn)大規(guī)模集群運維管理，有以下關(guān)鍵幾點：

I、監(jiān)控

主要包括故障監(jiān)控和性能、流量、負(fù)載等狀態(tài)監(jiān)控，這些監(jiān)控關(guān)系到集群的健康運行，及潛在問題的及時發(fā)現(xiàn)與干預(yù)；

a、服務(wù)故障、狀態(tài)監(jiān)控：主要是對服務(wù)器自身、上層應(yīng)用、關(guān)聯(lián)服務(wù)數(shù)據(jù)交互監(jiān)控；例如針對前端web server，我們就可以有很多種類型的監(jiān)控，包括應(yīng)用端口狀態(tài)監(jiān)控，便于及時發(fā)現(xiàn)服務(wù)器或應(yīng)用本身是否crash、通過icmp包探測服務(wù)器健康狀態(tài)，更上層可能還包括應(yīng)用各頻道業(yè)務(wù)的監(jiān)控，常用方法是采用面業(yè)特征碼進(jìn)行判斷，或?qū)χ攸c頁面進(jìn)行簽名，以網(wǎng)站被黑篡改（報警、并自動恢復(fù)被篡改數(shù)據(jù)）等等，這些只是一部份，還有N多監(jiān)控方式，依應(yīng)用特點而定，還有一些問題需解決，如集群過大，如何高性能的進(jìn)行監(jiān)控也是一個現(xiàn)實問題。

b、其它就是集群狀態(tài)類的監(jiān)控或統(tǒng)計，為我們合理管理調(diào)優(yōu)集群提供數(shù)據(jù)參考、包括服務(wù)瓶頸、性能問題、異常流量、攻擊等問題。

II、故障管理

a、硬件故障問題；對于成百上千或上萬機(jī)器的N多集群，服務(wù)器死機(jī)、硬件故障概率是非常大的，幾乎每時每刻都有服務(wù)硬件問題，死機(jī)、硬盤損壞、電源、內(nèi)存、交換機(jī)。針對這種情況，我們在設(shè)計網(wǎng)站架構(gòu)時需要充分考慮到這些問題，并將其視為常態(tài)；更多的依靠應(yīng)用的冗余機(jī)制來規(guī)避這種風(fēng)險，但給系統(tǒng)工程師足夠?qū)捲５奶幚頃r間。（如google不是號稱同時死800臺機(jī)器，服務(wù)不會受到任何影響嗎）；這就是考驗運維工程師及網(wǎng)站架構(gòu)師功能的地方了，好的設(shè)計能達(dá)到google所描述自恢復(fù)能力，如gfs，糟糕的設(shè)計那就是一臺服務(wù)器的死機(jī)可能會造成大面積服務(wù)的連鎖故障反映，直接對用戶拒絕響應(yīng)。

b、應(yīng)用故障問題；可能是某一bug被觸發(fā)、或某一性能閥值被超越、攻擊等情況不一而定，但重要的一點，是要有對這些問題的預(yù)防性措施，不能想當(dāng)然，它不會出問題，如真出問題了，如何應(yīng)對？這需要運維工程師平時做足功夫，包括應(yīng)急響應(yīng)速度、故障處理的科學(xué)性、備用方案的有效等。

III、自動化

自動化：簡而言之，就是將我們?nèi)粘Ｊ謩舆M(jìn)行的一些工作通過工具，系統(tǒng)自動來完成，解放我們的雙手及枯燥的重復(fù)性勞動，例如：沒有工具前，我們安裝系統(tǒng)需要一臺一臺裸機(jī)安裝，如2000臺，可能需要10人/10天，搞爛N張光盤，人力成本更大。。。而現(xiàn)在通過自動化工具，只需幾個簡單命令就能搞定、還有如機(jī)器人類程序，自動完成以往每天人工干預(yù)的工作，使其自動完成、匯報結(jié)果，并具備一定的專家系統(tǒng)能力，能做一些簡單的是/非判斷、優(yōu)化選擇等。。。這些好處非常明顯不再多說。。。應(yīng)該說，自動化運維是運維工程師職業(yè)化的一個追求，利已利公，雖然這是一個異常艱巨的任務(wù)：不斷變更的業(yè)務(wù)、不規(guī)范化的應(yīng)用設(shè)計、開發(fā)模式、云oa架構(gòu)變更、IDC變更、規(guī)范變動等因素，都可能會對現(xiàn)有自動化系統(tǒng)產(chǎn)生影響，所以需要模塊化、接口化、變因參數(shù)化等因此，自動化的大規(guī)模集群運維管理，是運維工程師的核心重點工作之一，也是價值的體現(xiàn)。