张雁丽--OnCall 驱动下的IT系统稳定性运营实践-版

实施背景与现状

北京移动在运维保障及故障调度方面存在覆盖程度低、无标准化流程、工具化水平不足等问题。具体表现为保障未分类分级管理、无统一标准、缺乏好用的保障工具；故障调度无整体规划、无标准响应流程、缺少有效工具、管理缺失。运维痛点集中在覆盖程度低、无标准化故障响应流程，以及运维孤岛现象，即仅一个部门负责，限制了灵活性和响应速度。

整体框架与机制

运维保障实施遵循五项原则：借鉴业内最佳实践、区分特殊时间段与活动、适配组织文化、分类分级保障、运维保障前置。保障要求包括资源准备和保障组织，涉及角色与职责的明确划分，如事件响应过程中的各角色工作要求、保障等级的确定、保障场景定义与登记、变更计划等。

关键业务流程节点

• 保障前准备：包括保障等级确定、轮值排班（遵循变更优先、全面、特殊时间段、主备、公平原则）、事件类型与定级、风险升级标准、标准响应流程等。
• 工具支持：开发了“京策”运维保障工具和“京策”事件响应工具，支持事件上报、通知、人员自动调度、处理、风险等级升级等功能。其他辅助工具包括元宇宙（多屏共享、虚拟环境构建、数智化办公辅助）和可观测工具（实时流量分布观测、端到端健康状态观测、资源性能指标分析）。

价值理解与改进方向

通过“1-5-10”工具的改进，提升IT组织响应能力，打破传统依赖专门运维团队的保障及故障响应模式。标准化响应流程和工具使用场景，确保有序高效处理突发问题。强调组织文化配套的重要性，包括节假日或特殊时期的灵活安排、厂商协作、领导要求等。

最佳实践与探索方向

• 故障响应演习：作为最佳实践，提升应急响应能力。
• 工具建设经验：包括大模型的使用探索、自动化运维、故障预测、系统性能优化、故障处理、故障定位等。

研究结论

北京移动通过实施标准化流程、工具化支持和组织文化配套，显著提升了运维保障及故障调度的效率和效果，实现了更高效、灵活的工作模式，并持续优化运维管理体系。