以產(chǎn)品設(shè)計理念剖析企業(yè)建設(shè)故障自動化處理方案的思路

人工處理告警，一直是運維心中的痛。大年初一拜年、結(jié)婚、和老婆孩子外出過周末等美好時光，作為運維的你，好像一直心系IT系統(tǒng)，保持與筆記本的安全距離。

為什么這么多年過去了，還是這么苦逼，不是說運維行業(yè)轉(zhuǎn) AIOps了，我竟然還在手工處理告警，我該怎么辦？

今天就和大家聊聊實現(xiàn)故障自愈要攻克的3個問題，以及獻(xiàn)上開箱即用的方案。

1. 故障自愈的基本流程

自動化的要點是什么？把人的經(jīng)驗抽象、固化為程序處理，工業(yè)（第3次工業(yè)革命）或互聯(lián)網(wǎng)都是如此。

舉個例子，磁盤出現(xiàn)告警，運維首先想到的是登陸服務(wù)器清理磁盤。

（人工處理告警的流程）

接下來，我們拆解背后的邏輯。

1.1 抽象告警處理流程

1)拉取磁盤告警

2) 編寫磁盤清理的腳本或作業(yè)任務(wù)

3) 設(shè)計模塊：把拉取到的磁盤告警，與調(diào)用腳本的模塊串起來

（故障自愈流程 簡化版V1）

1.2 通過CMDB做資源清洗

不同模塊的磁盤清理方案不一樣，如何解決呢？

這時需要引入CMDB（設(shè)備、人、業(yè)務(wù)的映射關(guān)系），通過CMDB把IP清洗為模塊，這樣就解決了接入層 和 邏輯層、存儲層的告警使用對應(yīng)的磁盤清理方案。

（故障自愈流程 簡化版V2）

1.3 對接企業(yè)內(nèi)部網(wǎng)關(guān)

故障自愈可能會處理失敗，這時需要通知用戶。故障自愈的處理方式除了調(diào)用作業(yè)外，還可能需要調(diào)用企業(yè)內(nèi)部的網(wǎng)關(guān)，比如服務(wù)器重啟、申請服務(wù)器等。

使用PaaS層的ESB是一種解決思路，通過ESB封裝企業(yè)內(nèi)部網(wǎng)關(guān)，解決權(quán)限校驗、頻率控制、訪問統(tǒng)計、路由分發(fā)以及自助接入等功能，不要直接調(diào)用裸接口了。

（故障自愈的通知方案）

經(jīng)過這一輪的探索，故障自愈的架構(gòu)就是下面這個樣子。

（故障自愈的流程）

1.4 對接企業(yè)內(nèi)部監(jiān)控產(chǎn)品

等等，好像還沒說如何對接企業(yè)內(nèi)部的監(jiān)控產(chǎn)品，以Zabbix、Open-Falcon為例。

1.4.1 對接Zabbix

《當(dāng)Zabbix遇見故障自愈》介紹了拉取Zabbix告警的方案，通過 ActionScript 調(diào)用腳本，把 Zabbix 告警推送至自愈的告警拉取模塊。

推送（或叫回調(diào)）可以保證告警拉取的實時性。

（Zabbix推送告警示例）

（Zabbix調(diào)用推送告警的腳本）

對接Zabbix 的落地案例可以參考陳亮撰寫的那些年我們想做的無人值守。

除Zabbix外，Open-Falcon在國內(nèi)的社區(qū)熱度也不錯，所以也介紹拉取其告警的方案。

1.4.2 對接Open-falcon

方案類似Zabbix，不過Open-falcon 直接提供了callback功能，簡化了流程。

(Open-Falcon配置Callback地址)

收到了Open-Falcon 推送的告警后，解析對應(yīng)的字段即可。

如果企業(yè)內(nèi)部的CMDB以IP來標(biāo)識主機，需要再做一層轉(zhuǎn)換，因為Open-Falcon 的資源標(biāo)識endpoint默認(rèn)是主機名，那么就需要使用CMDB的自動發(fā)現(xiàn)功能自動上報主機名，同時提供把主機名清洗為IP的功能。

下面是Nginx模塊磁盤告警的自愈示例，匹配Nginx模塊的磁盤清理套餐，清理Nginx模塊的日志文件，整個過程不到30秒。

（磁盤告警的自愈示例）

2. 故障自愈的兩面性

故障自動處理就像一把刀，有其兩面性。

因為要確保告警的真實性，一旦把假告警也自動處理了，就很悲催了…

舉個例子。網(wǎng)絡(luò)波動，批量出現(xiàn)PING告警。實際上服務(wù)器運行正常，這時你把服務(wù)器都重啟了，那就GG了。

如何解決呢？分析事物的規(guī)律。

批量出現(xiàn)告警，那可以在告警拉取模塊后面，增加一個收斂模塊。

比如，在X時間內(nèi)出現(xiàn)Y個告警，打電話給運維審批。

X時間內(nèi)同一主機出現(xiàn)使用相同套餐的告警，則收斂時間窗口中后面的告警則跳過，比如同時收到進(jìn)程告警 和 端口告警，就不用拉2次進(jìn)程了。

還有就是，原有監(jiān)控系統(tǒng)沒有收斂能力，那么可以借用這個功能來做告警匯總，因為收斂邏輯一樣，只是收斂的處理方式有差異。

3. 復(fù)雜告警的處理方案 - 組合套餐

上面提到的技術(shù)方案是用來處理邏輯簡單的告警，那么故障替換這種復(fù)雜的場景如何解決呢？

舉個例子，A模塊是重要模塊，出現(xiàn)PING不可達(dá)告警，首先要校驗A模塊是否真的故障，如果真的故障，接下來是從資源池中獲取備機 … 故障替換等等，期間每個環(huán)節(jié)都有可能出錯，那就要考慮異常分支的場景。

樹結(jié)構(gòu)可以解決該問題，二叉樹足以滿足大部分場景（成功、失敗兩種分支）。

( 組合套餐的示例)

上面這張圖，是一個自愈處理方案，可以稱之為組合套餐。

這里同時引入了原子的概念，通過組裝原子來滿足各種需求場景， 和資源編排說的是同一個理兒。

注：如果你想使用三叉樹，其實可以把組合套餐也作為一個原子套餐（節(jié)點）。

4. 故障自愈的技術(shù)架構(gòu)

經(jīng)過前面對故障自愈的基本流程、故障自愈的兩面性、復(fù)雜的故障處理方案的層層梳理，我們有了一張故障自愈的技術(shù)架構(gòu)圖。

相信這次以經(jīng)行業(yè)驗證的故障自愈做技術(shù)剖析，能對大家建設(shè)企業(yè)內(nèi)部的故障自動處理方案提供參考思路。

5. 收尾

當(dāng) AIOps大行其道的時候，我們需要克制，優(yōu)先解決主要矛盾，而不是構(gòu)建高大上的空中樓閣。

如同產(chǎn)品路線圖，優(yōu)先解決可用性，接下來是體驗，最后才是可擴(kuò)展性和生態(tài)，依次落地。

最后，希望廣大的運維兄弟姐妹能盡早脫離原始運維的苦海，抓住行業(yè)發(fā)展趨勢，掌握核心技術(shù)，在變革中實現(xiàn)自身價值！