阿里巴巴 DevOps 转型后的运维平台建设
来源：云栖社区
作者：陈喻（亚松），阿里巴巴高级技术专家
云栖君导读：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运维自身的理解，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。
前言
“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
第一阶段：黑屏，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，人工运维，目前很多企业可能还是这样。
第二阶段：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。
第三阶段：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。
第一：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。
第二：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。
第三：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。
第四：高效的CI/CD/CD
我们一定要具备快速的交付能力，主要体现这两个方面：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。这两个能力抽象出来是三块。
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，配置是不是一致性，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。
PS：持续部署的几个痛点。
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。
1.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是高可用，不一定是高并发。
2.幂等性
幂等性是分布式系统设计中十分重要的概念，这个也非常重要。
3.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，其实事情没有这么复杂。
4.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，这个平台分几步。
第一块，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。
第二块，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。
第三块，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
- END -
推荐阅读 31天拿下K8S含金量最高的CKA+CKS证书！ 
线上 K8s Ingress 访问故障排查思路 Kubernetes 生态架构图 Prometheus Thanos 多集群监控 20张最全的DevOps架构师技术栈图谱 Linux Shell 脚本编程最佳实践 我的云服务器被植入挖矿木马，CPU飙升200% 做了这么多年运维工作，现在才看清职业方向 一篇文章讲清楚云原生图景及发展路线 K8s kubectl 常用命令总结（建议收藏） 一名运维小哥对运维规则的10个总结 K8s运维锦囊，19个常见故障解决方法 编写 Dockerfile 最佳实践 搭建一套完整的企业级 K8s 集群（kubeadm方式）
点亮，服务器三年不宕机
