谈一谈云计算下的运维

这一次好好谈下云计算时代的运维。

对云计算的定义

云计算其实跟 PC 机有一样的概念，有 CPU、硬盘、操作系统、应用软件。

云计算的计算节点（虚拟机）就是 PC 中的 CPU，数据缓存服务就是 PC 的内存，存储节点就是 PC 的硬盘，提供数据服务，让数据不丢、高可用，PC 中的控制器就是云计算的控制系统。PC 机的硬件上面要有操作系统。

操作系统很大一块是给开发人员提供系统的 API 接口，提供系统监控以看运行情况，并且还要有系统管理——如用户账号的权限管理、备份恢复等等。操作系统上面要有应用软件，这样才能服务于最终用户，应用软件就是真正落地的业务，这样才会有用户；有了用户，整个体系就运转起来了。

无论云计算长成什么样，都得要向用户提供“服务”，而不仅仅是软硬件和各种资源。

云计算的技术难点

到今天，云计算的工业实现已经不太难了。现在有开源软件 KVM 和 Xen，这两个东西基本把虚拟化搞定；而 OpenStack 则把管理、控制系统搞定，也很成熟。

PaaS 也有相应的开源，比如 OpenShift，而 Java 里也有 N 多的中间件框架和技术。另外分布式文件系统 GFS/TFS，分布式计算系统 Hadoop/Hbase 等等，分布式的东西都不神秘了。技术的实现在以前可能是问题，现在不是了。

对于云计算工程方面，现在最难的是运维。管 100 台、1 万台还是 100 万台机器，那是完全不同的。机器少你可以用人管理，机器多是不可能靠人的。

运维系统不属于功能性的东西，用户看不见，所以这是被大家严重低估的东西。只要你做大了，就必然要在运维系统上做文章。数据中心 / 云计算拼的就是运维能力。

运维的市场需求

为什么说运维比较复杂，原因有这么几个：

一方面，云计算要用廉价设备取代那些昂贵的解决方案。互联网就是要用便宜的东西搭建出高质量的东西，硬件和资源一定不会走高端路线——比如 EMC、IBM 小型机、SGI 超级计算机等等，如果用它去搭建云计算，成本太贵。运维好廉价的设备其实是云计算工程里最大的挑战。

另一方面，因为机器多了，用的又不是昂贵的硬件，故障就变成了常态，硬盘、主板、网络天天坏。所以，没什么好想的，运维就必须要跟上。云计算的目标是在故障成为常态的情况下保证高可用——也就是我们所说的，你服务的可用性是 3 个 9、4 个 9 还是 5 个 9。

最后，这一大堆机器和设备都放在一起，安全就是一个挑战，一方面是 Security，另一方面是 Safety，保证数十台数百台的设备的安全还好说，但是对于数万数十万台的设计，就没有那么简单了。

面对这样的难题，人是无法搞得定的，只能依靠技术来管理和运维整个平台。比如必须有监控系统。这跟操作系统一样，对资源的管理，对网络流量、CPU 利用率、进程、内存等等的状态肯定要全部收集的。收集整个集群各种节点的状态，是必然每个云计算都有的，都是大同小异的。

然后，还要找到可用性更好的节点，这需要有一些故障自检的功能。比如阿里云就遇到过磁盘用到一定时候就会莫名其妙的不稳定，有些磁盘的 I/O 会变慢。变慢的原因有可是硬盘不行了，于是硬盘控制器可能因为 CRC 校验出错需要要多读几次，这就好比 TCP 的包传过来，数据出错了，需要重新传。

我们要有故障自动检测、预测的措施，才能驱动故障，而不是被动响应故障，用户体验才会好。换句话说，云计算时代我们需要自动化的、主动的运维。