讲师简介

胡俊亚：携程高级技术支持工程师

个人简介：携程技术支持中心高级技术支持工程师，负责管理公司及其他⊙运维平台，开发运维自动化工具

与您分享的主题是基于携∴程的运维自动化平台

今年5月，勒索病毒爆发，席卷全球，波及政府部门、医疗机构、公共交通、学校、企业等，给世界带ㄨ来巨大损失

如果有投资眼光的人遇到这个问题，他们可能会卐考虑购买比特币。作为一名运维工程师，我只考虑如♂何防止病毒影响我公司的业务。我相信很多运维同事都参与了打击勒索病◥毒的斗争

尽管该病毒传播范围广，似乎很强大，但有许多应对措施。例如，关闭端口445以防止病毒传播，或在上建立交换机域名以防止病▅毒运行。当然，这些都是唯一的解决方案ぷ。基本上，服务器的安全补丁应该及时更新

如果只有几个或几十个服务器，则补丁更新非常简〗单。您可以登录并单击安装或单击命令。当您有数千台服务器〖时，不可能依靠手动工作。一次向所有服务器发送命令是不合适的，这可能会对业务产生巨大影响

那么，如何自动修补数以万＠ 计的服务器

让我们首先看看如何修补服务器

上图是一个相对简单的操作过程。首先，检查服务■器是否安装了修补程序。如果是，则过程结束。如果○尚未安装，请首先将服务器从群集中拉离生产环境，然后安装修补程序，然后重新启动々服务器以使修补程序生效

在进入集群之前，您可能需要启动应用程序，例如，让应︾用程序构建缓存，将应用程序恢复到正常状态，然后访问生产流量。还有一些复杂的问题。例如，集群拉出一些服务器后，其余的服务器可能无法承载它们。应考虑群集可用□　性

如果要自动化修补服务器的过程，需要完成两项任¤务：

自动修补一台服务器后，它将从1台扩展到100台，并修补数千台服务器。要做的一件事是把重要的事▆情说三遍

无论您在操作方面有多▂熟练，在技术方面有多熟练，在开发工具方面有多自信，在进行大规模生产操作和维护时都应该谨慎。批量灰度是一种很好的谨慎方式，可以大大减少对生产的影响，提高网站▲的可用性

基于以上对数万台服务器自动补丁的需求，我们搭建了一个自动运维平台，包括三个模块：

这样的系统不仅可以完成配线功能，而且基№本上可以覆盖日常运行维护的各种自◥动化要求。因此，它与您共享

下面将详细介绍这三个方面

遥控器

它是一个开源的远程管理平台，可以→管理各种操作系统的服务器，主要包括和。它安装在要管理的服务器上。启动后，它将与建立长连接，向发送任务，并将任务结果返回给

类似的远程管理工具包括、chef和。您可≡以根据实际应用场景进行选择。去年，我在GOPs北京分享了携程的一些经验。你可以参考它。我不再重复了

2.操作流程

从运维的发展过程来看，首先是传统运维，主要依靠人工操作。例如，启动服务器时，登录服务器会根据操作文档逐步操作。更高级的是，将配置命令写入♂脚本，然后运行一个◥或多个脚本来完成配置

缺点是◢什么？首先，人们每天重复这样的工作，这很累，不体现价值。配送效率低。当他们感到疲劳时，很容易出错并忘记一些配置

使用脚本很容╳易用相同的函数重复开发。许多脚本没□有专门记录日志，因此很难找到历史操作。脚本用于运维操作，出现故障。由于没有统一的运维操作日志，不可能及时知道谁做了什么

随着时代的发展，运维已经发展到一个更加先进的时代，我们也处在这个时代。这个时代的一个明显特征是使用各种开源工具和开发许多工具。该工具提高了效率∏，大大加快了操作和维护自动化的进程

有这么多可用的工具，将会出现一▽些问题。例如，以下问题：

为了解决上述问题，我们考虑使用基于事件驱动的开源自动化运维平台

您有多种工具为许多操作提供API。可以在上实现这些API调用，然后可以将∑它们组合到复杂的任务中

可实现插件操作，操作逻辑可视化，运维日志统一

提供web界面和API。您可以将各种工具的操作放入其中服务器运维，选择操作，填写参数，然后单击运行

你能用它做什■么

在我们的日常生活中有许多不同的变更操作，但我们经常重复做相同的事情，例如安装软件、重新启动々服务、拉入和拉出集群等。如果不同的变更操作流程被≡拆分，那么这些小的操作和维护原子∞操作将被拆分

相反，我们可以将这些操作和维护原子操作结合♂起来。例如，乐高积木可以拼☆出各种模型，我可以将原子操作结合到各种更改过程中。这样，同一个操作只需实现一次，就可以重用，避免了重复的车轮制造，大大提高了开发效率

在故障处※理方面，我们来看一个常规案例

例如，在凌晨2点，有一个关于订单下降的警报。NOC召开电话会议，并致电相关工程师。接】到电话后，工程师们模模糊糊地站了起来，问出∩了什么问题。国家奥委会需要发表声明。然后工程师们赶紧打开电脑，通过VPN登录内网查看相关监控指标，并利用自己的经验进行故√障排除。最终定位故障、修复并最终恢复需要花费大◥量时间

这种故障处理过程有什么问题

1、修复时间长

半夜处理故障。操作容易出★错，影响第二天的工作

3、随着业务的增长，警报数量增加，无法及时处理

4、网站可用性降低

如果是，故障排除的〓过程是什么？您可以监视警报。当报警发送到时，您可以先执行一些分析。根据专家经验或机器学习，分∮析完成后，可以判断报警ζ　是否可以自动处理。如果是，您可以执行故√障修复和故障恢复

如果您自己无法处理，您将收集故障异常内容和初步分析结果，并发送给相应的工程师服务器运维，这为工程师收集信息和排除故障节省了一些时间，工程◇师可以快速修复故障。对于一些常见的、多发的故障，如果有固定的处理方法，可以移交给自动处理

可与结合进行日常操作和维护。例如，当您参与GOP时，您可以向您发送警报和初步分析。您可以通过手机向聊天室发送指示以快速修复故障

在了解的一些功※能之后，让我们看看的部署体系结构。图中黄色部分是的主要模块，包括身份验证、API、规则引擎、、webui等。作为引擎，它充当数据库，存储定义和日志，是所有任▅务的消息队列。这是一个高度可用的体系结构。并在每台服务器上运行

这是╲的数据流图。聊天通过此处→的规则引擎映射到操作。上述操作和①维护的原子操作被合并到一个工作流中。工作流的解决由完成，每个特定执行由完成

有三个好处：

3.批量灰度

虽然它有很多优点，但当您想要执』行