運維監(jiān)控平臺是工業(yè)互聯網平臺運維工作中不可或缺的一部分，如何構建適合自己的運維監(jiān)控平臺，每個公司的需求不一樣，每個運維面對的痛點也不盡相同，但，有了監(jiān)控，有了充足的數據，一切以數據說話，運維就不再是背鍋俠了。

運維管理是工業(yè)互聯網平臺使能技術之一，在平臺中的地位極其重要。在工業(yè)互聯網平臺的運維管理中，我們經常聽到關于運維的話題：“無監(jiān)控，不運維”。

隨著云計算和互聯網的高速發(fā)展，大量應用需要橫跨不同網絡終端，并廣泛接入第三方服務，平臺系統架構越來越復雜?？焖俚漠a品需求和良好的用戶體驗，需要運維管理者時刻保障核心業(yè)務穩(wěn)定可用。

一運維管理的痛點和難點

運維工程師在運維中過程中經常遇到運維工作如下的痛點和難點 ：

1、面向業(yè)務的運維，不但關心單點物理資源的運行狀態(tài)，更關心整個業(yè)務系統的健康狀態(tài)

2、如果企業(yè)使用了大量的API和模塊化應用，那么需要關注每個接口的性能變化情況和指標

3、對于運維主管及企業(yè)管理層來說，特別需要上墻的監(jiān)控大屏

4、運維需要每周、每月查看報告趨勢分析，但傳統運維工具數據導出困難

5、需要第一時間轉雀和快速發(fā)現故障節(jié)點，減少業(yè)務中斷帶來的損失

二運維管理

1、物理資源監(jiān)控

（1）物理資源狀態(tài)監(jiān)控。提供可按照資源池、集群對物理設備的資源狀態(tài)、如計算、存儲、網絡等運行狀態(tài)進行監(jiān)控。

（2）故障告警及通知。支持Email或者短信、微信等告警的實時通知消息。

（3）資源庫存及資產管理。支持對物理設備庫存及資產管理，需要擴充及時提供運維管理人員。

（4）故障分析報表?？砂凑展收霞墑e、事件類別出具故障的分析報表，便于改善服務。

2、業(yè)務資源監(jiān)控

（1）業(yè)務資源狀態(tài)監(jiān)控?？砂凑辗杖缣摂M主機、云數據庫、塊存儲等進行資源狀態(tài)監(jiān)控。

（2）業(yè)務資源容量監(jiān)控。對業(yè)務資源層的資源容量進行分別監(jiān)控，可設置容量告警閾值提醒資源擴容。

（3）運維操作記錄。記錄運維相關的操作日志且存檔期不少于半年。

三運維管理一般流程和功能

1.運維管理流程

運維管理的一般過程如上圖所示，制定云服務運維管理流程，需要包括：服務臺、事件管理、問題管理、變更管理、配置管理、發(fā)布管理、知識庫管理、報表管理。

2、運維管理功能

云服務運維管理系統應提供以下功能：

（1）監(jiān)控管理，通過對各種物理資源、虛擬化資源數據的監(jiān)控，將資源以用戶可見的資源池形式提供給上層應用。統一資源管理，支持發(fā)現其管轄范圍內的物理設備以及它們的組網關系。支持將這些物理設備進行池化管理，提供給應用管理模塊使用。

（2）權限管理，可以創(chuàng)建和管理系統中管理員帳號、管理員所承擔的角色和管理員管理區(qū)域，實現系統的分權分域的功能。系統支持對用戶進行訪問控制， 支持用戶組、分權、分域、密碼管理，便于維護團隊內分職責共同有序地維護系統。

（3）告警管理，是確保系統正常運行的重要活動，包括：系統故障預防設計、故障檢測和處理等。告警管理是故障管理的重要部分，便于運維人員進行故障定位，保證系統穩(wěn)定運行。

（4）拓撲管理，提供一個可視化界面，呈現全系統的所有資源信息。支持常用設備自動發(fā)現和識別，系統還對網絡類型有很好的兼容性，可以很好的發(fā)現

VPN、VLAN網絡拓撲，還支持按照規(guī)則識別不同的設備類型， 方便更準確的呈現拓撲。

（5）日志管理包括日志記錄、查看、審計。

（6）軟件管理，支持云操作系統軟件預安裝和預置、軟件自動化批量安裝、軟件升級和補丁更新等功能。

（7）統計報表管理，可以讓管理員查看虛擬機登錄、分配以及運行狀態(tài)信息，有助于系統優(yōu)化，調整提升。報表可以根據要求定制，內容主要包括之前描述過得監(jiān)控內容，包括CPU、內存、網絡流量、數據庫性能、中間件性能等各類性能報表和故障報表。

（8）資產管理，是運維管理系統的核心功能，能夠實現對云平臺相關的軟硬件信息資產信息的全面管理，同時，對資產信息進行實時監(jiān)控變更等功能，滿足企業(yè)對資產管理的需要。

（9）工單管理，系統提供完整的工單管理的功能，支持創(chuàng)建工單的流轉流程。支持手工創(chuàng)建工單，也可以在告警響應動作中創(chuàng)建工單；支持以工單方式實現對告警事件的應急響應、工作任務分配、工作任務管理，可以進行流程定制和流程查看，工作流可以跨多個中心進行聯動。

（10）計費管理，不同的云服務按照各自的計費項計量并收費的能力。

（11）安全管理，是對數據、賬號等IT資源采取全面保護，使其免受犯罪分子和惡意程序的侵害，并保證云基礎設施及其提供的資源能被合法地訪問和使用。

（12）對系統數據均實現多副本保存或其他冗余備份機制。

（13）可實現云服務運維管理系統的自動化管理。

四運維監(jiān)控平臺設計思路

構建一個智能的運維監(jiān)控平臺，必須以運行監(jiān)控和故障報警這兩個方面為重點，將所有業(yè)務系統中所涉及的網絡資源、硬件資源、軟件資源、數據庫資源等納入統一的運維監(jiān)控平臺中，并通過消除管理軟件的差別。

數據采集手段的差別，對各種不同的數據來源實現統一管理、統一規(guī)范、統一處理、統一展現、統一用戶登錄、統一權限控制，最終實現運維規(guī)范化、自動化、智能化的大運維管理。

智能的運維監(jiān)控平臺，設計架構從低到高可以分為6層，三大模塊，如下圖：

1、數據收集層：位于最底層，主要收集網絡數據、業(yè)務系統數據、數據庫數據、操作系統數據等，然后將收集到的數據進行規(guī)范化并進行存儲。

2、數據展示層：主要是將數據收集層獲取到的數據進行統一展示，展示的方式可以是曲線圖、柱狀圖、餅狀態(tài)等，通過將數據圖形化，可以幫助運維人員了解一段時間內主機或網絡的運行狀態(tài)和運行趨勢，并作為運維人員排查問題或解決問題的依據。

3、數據提取層：主要是對從數據收集層獲取到的數據進行規(guī)格化和過濾處理，提取需要的數據到監(jiān)控報警模塊，這個部分是監(jiān)控和報警兩個模塊的銜接點。

4、報警規(guī)則配置層：主要是根據第三層獲取到的數據進行報警規(guī)則設置、報警閥值設置、報警聯系人設置和報警方式設置等。

5、報警事件生成層：位于第五層，主要是對報警事件進行實時記錄，將報警結果存入數據庫以備調用，并將報警結果形成分析報表，以統計一段時間內的故障率和故障發(fā)生趨勢。

6、用戶展示管理層：位于最頂層，是一個Web展示界面，主要是將監(jiān)控統計結果、報警故障結果進行統一展示，并實現多用戶、多權限管理，實現統一用戶和統一權限控制。

在這6層中，從功能實現劃分，又分為三個模塊，分別是數據收集模塊、數據提取模塊和監(jiān)控報警模塊，每個模塊完成的功能如下：

數據收集模塊：此模塊主要完成基礎數據的收集與圖形展示。數據收集的方式有很多種，可以通過SNMP實現，也可以通過代理模塊實現，還可以通過自定義腳本實現。常用的數據收集工具有Cacti、Ganglia等。

數據提取模塊：此模板主要完成數據的篩選過濾和采集，將需要的數據從數據收集模塊提取到監(jiān)控報警模塊中?？梢酝ㄟ^數據收集模塊提供的接口或自定義腳本實現數據的提取。

監(jiān)控報警模塊：此模塊主要完成監(jiān)控腳本的設置、報警規(guī)則設置，報警閥值設置、報警聯系人設置等，并將報警結果進行集中展現和歷史記錄。常見的監(jiān)控報警工具有Nagios、Centreon等。

運維管理平臺主要有三大部分組成，分別是數據收集模塊、監(jiān)控報警模塊和數據提取模塊。其中，數據提取模塊用于其他兩個模塊之間的數據通信，而數據收集模塊可以有一臺或多臺數據收集服務器組成，每個數據收集服務器可以直接從服務器群組收集各種數據指標，經過規(guī)范數據格式，最終將數據存儲到數據收集服務器中。

監(jiān)控報警模塊通過數據抽取模塊從數據收集服務器獲取需要的數據，然后設置報警閥值、報警聯系人等，最終實現實時報警。報警方式支持手機短信報警、郵件報警等，另外，也可以通過插件或者自定義腳本來擴展報警方式。

五結語

運維監(jiān)控平臺是工業(yè)互聯網平臺運維工作中不可或缺的一部分，也是平臺使能技術的一個重要內容。如何構建適合自己的運維監(jiān)控平臺，每個公司的需求不一樣，每個運維所面對的痛點也不盡相同，但，有了監(jiān)控，有了充足的數據，運維就可以有的放矢。一切以數據說話，運維就不會再虛無縹緲，便不用再是背鍋俠了。