> 原文出处：http://www.infoq.com/cn/articles/effective-ops-part-01 > 作者：萧田国 ## 前言 做运维的那么多，快乐的能有几个？ 我们那么努力，为什么总感觉过得那么憋屈、苦闷？做的事情那么多，为什么业务部门、直接领导和公司貌似都那么不领情？怎么做才能自己更加开心些？ 本专栏的主线实际是一个运维人员的十年成长史，从菜鸟到运维总监。但不是基础技术教学，也不会在运维技术的某一方面过深涉及。更多的是应用技巧、实践经验及案例剖析。专栏中的系列文章，包含作者在运维各个细分领域的技术和个人成才的心得体会。因此也可以成为广大运维朋友的工具书，伴随大家从初级运维成长为高级技术型运维管理人才。 技术专栏就非得那么中规中矩么？咱这个专栏试图以更轻松活泼的文字，徐徐道来，就当是个老朋友，轻松愉快中，希望能给大家带来收获和启发。 * * * 前段时间有位IT大佬在网络上发声，我这么有钱，为什么不幸福？诚然，有钱是幸福的最重要条件之一，但有钱就一定幸福么？真的是充分必要条件？当然更悲催的是运维行当，技术好是被认可（幸福）的最重要条件，但技术再好，外部门不说咱们“坏话”，已经是很不错的了。 补充一句：本文实际上既是本专栏的开篇，也是综述。后续专栏文章，会就各个部分，进行详细阐述，敬请期待 。 本文略长，主要目录结构如下： [TOC=3] 好吧，我们正式开始。 ## 1. 什么是高效运维 我们收集了一些来自外部门对运维的印（tou）象（su），如下图所示。其中，大家看是否也多少有自己的影子？  往往看自己都很美，但从外部门来看，槽点多到乃至无力吐槽。首先，做事情不专业，人为事故多（更多是低级的人为事故）；很多时候，都是我们业务部门告诉运维，运维才知道发生故障了，而且故障解决时间过长；做个调试，老超出调试时间，超时也不说，是不是完成了也不知会一声；部门内老玩踢皮球的游戏，做个需求，老让我挨个找人；申请个服务器，老费劲了，扔我一个申请表，当自己是衙门呢？或者扔我一个技术文档，我哪看得懂？ **专业、热情、方便、快**，这是为根治上述各种疑难杂症，经多年自我治疗并综合各方经验，得出的高效运维七字诀。我们用一个简单的公式来表示高效和专业的关系。专业是高效的基石，否则无从谈起高效与否，而技术是专业的基石。但这恰恰也是运维技术人员的误区所在，误以为，技术比较强，就足够了，并因此而忽视其他重要方面。  实际上，对外部门而言，运维是个黑盒子，是一个输入输出的关系：外部门提出需求，运维给出结果：完成、或未完成。本质上而言，外部门不关心（也无法关心）我们采用什么技术来实现的，只关心是否如期完成。 合理的流程规范，就像血液，能让部门稳定而高效的运转，大家都觉得开心，这也是专业与否的重要组成部分。但如果希望做到高效运维，良好的客户界面、合适的方法技巧，也非常有必要。这就像网站的UI，给人感觉舒服了，后面很多事情也能轻松愉快、顺理成章地进行。 ## 2. 为什么难以做到高效运维 做不到高效运维，公司和业务部门不满意，上级领导不满意，自己也不满意。原因很多，我们从管理者和员工角度分别来讲。 ### 2.1 糟糕的分工及连环反应 发生在中小公司的糟糕情况，往往从不明确的分工，开始悲剧之旅。有些游戏创业公司，刚开始时运维人员也就2、3个，基本每人都得会运维的各个工种，游戏运维、网站运维（Nginx/PHP等）、数据库运维（MySQL等）、系统运维（Linux/Windows等）、服务器上架、故障报修、甚至做网线。 公司业务扩大很多后，如果运维组织结构不随之而变，分工不明确，就会发现大家都在疲于奔命，什么都会的结果就是什么都不精。在运维技术如此庞杂的今天，就是把人活活的架在火上烤。这样引发的是多米诺骨牌效应：分工不明确 —> 职责不清楚 —> 考核不量化—> 流程不合理—> 缺规范 、少文档。 ### 2.2 做vs说的困境 一般运维技术人员都不善于沟通（至少表面上，虽然大家都普遍有火热的心，呵呵）。在微信、QQ大行其道的今天，这个问题变得更严重，而不是减轻。这也和工作性质有关，想想，一天到晚和服务器说话的时间，比和人说话时间都多。 另外，从人脑结构来看，做和说两难全，也是合理的。控制计算、推理能力的是左脑，而表现力等由右脑控制。如果强行要求会做还会说，说不定会导致紊乱、崩溃甚至“脑裂”呢，呵呵（当然，这个问题也是有解决方法的）。 更严重的是，很多同学没意识到自己的沟通表达是有问题的，说句话能把人呛死，也不知道如何有效表达。这样就谈不上热情了。 ### 2.3 资源错配 管理者和员工都可能存在资源错配的问题。对管理者而言，包括人员错配和时间错配，员工主要是时间错配。 管理者如果把错误的人安排在错误的岗位，那么注定是个错误。例如，某位同学喜欢钻研技术，不喜表达，非得让他作为和外部门的接口人，那自然费力不讨好，大家都不开心。 管理者的时间错配包括三种情况。 1）**沉迷解决技术问题**。这一般发生在刚从技术岗位提拔为管理者的时候，忘记自己是管理者了。解决复杂技术问题，能带来愉悦感，否则就是挫折感。于是遇到技术问题时，非得死磕到底，然后一周过去了，而部门其他同学却放羊一周。 2）**一心扑在管理上**。这又是一个极端了，忘记自己的技术身份。把自己变成一个项目经理，整天只关心时间节点，不关注技术人员的小情怀，不协助他们解决具体的技术问题。 3）**沉迷单个业务模块**。这是另一个特例。一般发生在内部提拔时。例如某位同学，之前是DBA组的负责人，提拔为运维部经理后，还是习惯于抓其擅长的数据库工作，这也是不应该的，否则就没必要提拔了嘛。 员工的资源错配主要体现在时间安排上。事情多了，分不清轻重缓急，没有一个合理的排序原则、指导思想；混淆技术进步和工作要求（有时过分追求技术进步），简单的问题复杂化，降低客户满意度。 ## 3. 如何做到高效运维 高效运维从来不是一个简单的事情，需要多方面共同努力来实现，本文先择其要点简述之，以后专栏系列文章会有更多深入阐述。 ### 3.1 明确分工/职责 美国著名管理学者史蒂芬·柯维在畅销书《高效能人士的七个习惯》中提出了产出/产能平衡原则。想多产出，先得扩大产能。想金鸡多下蛋，就不能杀鸡取卵。那么对于高效运维而言，产能是什么呢？ 包括三部分：1）**框架**，即合理的分工/职责/KPI，抱歉我提到了KPI，多么让人如此爱恨交织的词语；2）**血液**，即专业的流程/规范；3）**界面**，即良好的服务意识/技巧。这些投入足够多，才会得到心仪的产出——高效运维。在贯彻实施这些一段时间后，外部门会诧异的感觉：哟，怎么运维变化这么大。虽然他们不知道原因，但我们可以微微一笑，呵呵。  具体到运维部门而言，我们的分工，区别于内网IT部。一个是服务外部客户，一个是服务内部客户，差别还是蛮大的。根据部门分工，拆解出各个小组的分工，再落实到每个员工头上。有章法，大家也觉得舒心。 运维是支持部门，成本中心，难以产生利润。所以其中重要的考核指标其实是客户满意度，请相关业务部门给运维同学打分，运维内部根据分工，也可以相互打分，这对应着外部满意度和内部满意度。KPI虽然令人不舒服，但总的来说，还是有存在的合理性。  ### 3.2 技术的专业化 技术上的专业化运维，涉及面也很广，下面仅列举几例。 #### 3.2.1 优化监控系统 谁来监控监控系统？怎么保证比业务部门先发现问题？是否需要添加业务监控？URL监控是否返回状态码200即万事大吉？是否需要文件监控？短信报警、邮件报警是否足够？是否需要自动语音报警及垂直升级功能？ 监控是门学问，是专业运维的入口。展开说可以很大篇幅，先抛砖引玉，提出这些问题。实际上，对于资深、聪明的运维同学，看到问题，就已经有了自己的答案。 #### 3.2.2 减少人为事故 人为事故是运维最头疼、最不专业的事情之一。例如网站运维中，如果每次更新都需要登录服务器，svn update/git pull，难免会出差错。所以可以用类似Jenkins的工具，实现Web更新，这样，除非重大更新（包括数据库更新），否则都只需要点点鼠标即可。甚至，可以把网站更新外包回开发部门，这样还能减少运维操作带来的沟通成本、时间成本。 #### 3.2.3 运维自动化 运维自动化是个大课题，网络上的讨论也很多。建议选择合适自己的方式、方法。轻量级工具如ansible，无需在被管理服务器安装客户端程序，这在针对多台服务器进行分发管理（特别是管理仅有临时账号权限的服务器时），具有较大优势。另一个吸引人的地方是，操作结果和操作日志集中存储。 #### 3.2.4 合理优化架构 近几年国内优秀的开源软件层出不穷，设计和优化架构，很多时候并不是非得自己从零起步来搞。例如Redis，以其高效、稳定，已成为缓存系统的最好选择之一，但Redis单实例的支撑能力有限，目前Redis集群的实现，大多采用Twemproxy，但使用起来老感觉有些美中不足，那么，有没有一个取而代之的产品？ Codis就是其一，Codis由豌豆荚开源，并广泛用于其自身的业务系统。Codis刚好击中Twemproxy两大痛点（无法sharding，运维不友好）。Codis可以平滑的扩容/缩容，随时增减Redis服务器；并提供友好的运维界面，不仅能看到Codis系统运行情况，还能进行数据迁移、主备切换等操作。  另外，Codis还提供工具，将依赖于Twemproxy的Redis集群，平滑的迁移至Codis（太酷了，那画面太美，我简直不忍看）。性能方面，经我们实测，在正常Value长度下，Codis的get/set性能，优于Twemproxy。 #### 3.2.5 代码持续部署 线上系统程序代码可否自动打包、持续部署？ 测试环境的新版本发布可否由开发人员自己来做，甚至自己来做测试？ 这些无疑可以很大提升运维和开发效率。 Docker高可用集群，加上Jenkins发布，可以把这些需求变成现实。Centos 7的systemd用来底层支持Docker高可用，etcd实现了配置文件的集中存储，而不是分散在各台服务器的本地。fleet作为etcd和systemd之间的桥梁，并通过systemd来控制集群服务器。 Jenkins从svn服务器获取到新代码版本后，通过shell脚本，打包成image，放入Docker私有库，从而被Docker集群服务器update并使用。  ### 3.3 管理的专业化 管理上的专业化运维，甚至包括调试通报和故障通报，都很有说法。系统运行一段时间后趋于稳定，调试/更新就变成了故障的主要来源之一，怎么让调试少出人为事故，顺利如期的完成？这是个技术活。 #### 3.3.1 运维345法则 故障通报是细究故障的不二法门，一次长时间的故障，往往有很多细节可以推敲，我们总结出运维345法则。3是指故障时长被分成三部分，4是指对应的四个故障时刻点，5是指在这个过程中我们可以做的五件事。这样，我们就可以有的放矢地进行优化解决了。  #### 3.3.2 不要让流程吞噬责任 流程规范是很好，不可或缺，好处谁都晓得。只是，流程有时会成为挡箭牌，会让人变得本位，不愿担当，也不愿从事个人职责之外的事情。  这其实是错误的、短视的，“害人害己”的。如果真的出了一个非常严重的故障，个人就能“出污泥而不染”么？没戏。如果是顶级故障，老板想的甚至是把整个运维部门端掉，皮之不存、毛将焉附？ ### 3.4 良好的客户界面 伸手不打笑脸人。合适的言语表达，可以大事化小、小事化了，反之亦然。只是对做技术的运维同学而言，这是很不容易的事情，甚至有人宁愿多加班，也不去和人沟通。但，工作的要求有时往往需要善于表达，其实也可以换个角度想，把良好的沟通当做一门技术来攻克，如何？ #### 3.4.1 当面沟通 即时聊天工具如QQ、微信实际上是加剧了沟通成本。大家变得更加依赖与此，本来当面沟通或电话沟通，几分钟就能说明白的事情，来来去去几十分钟，更有甚者，还能吵起来，没法愉快的玩耍了。根据国外一项调查，一次有效沟通中，词句内容仅占据一小部分。  我们一般都会要求素未谋面的小伙伴，先当面聊一下。举个真实的例子，有位同学之前和某位运营同学一直QQ、邮件沟通，某次实在说不清楚，于是面聊，发现对方居然是个美女，于是之后合作很愉快（虽然美中不足的是，该女士已有男友）。 #### 3.4.2 来的都是客 做运维的，应该放下身段，不一定非得低三下气地做事情，但至少意识得到位。运维的沟通中，也适应心理学的投射原理：越是觉得别人盛气凌人、服务不到位，其实自己也往往是这样的。 来的都是客。如果自己实在忙不开，响应慢。礼貌用语总是可以的嘛，不好意思，对不起，抱歉，谢谢。 ## 4. 小结 絮絮叨叨说了这多，也不知大家看烦木有。运维很苦闷，让苦闷的人变得更苦闷。但不管怎样，也是一门技术。这年头，有门手艺，虽然发达需良机，但至少生存无忧。话说回来，哪行都不容易。 本人做运维这么些年，结合各种失败与成功、痛苦与苦痛的经验，终于悟出高效运维的七字诀：专业、热情、方便、快。不一定完全适合您，但终归是多年的领悟，自成一个小体系，如各位盆友喜欢，以后逐一阐述，如能对大家有所裨益，幸莫大焉。 对了，下一篇文章的主题类似《我技术能力这么好，为什么不幸福（员工篇）》，如您愿意，可以持续关注。