周鹏飞-华泰证券基础设施运维数据体系建设实践

基础设施运维数据体系建设实践

PART 01 基础设施运维数据体系总体介绍

• 运维数据体系建设的道法术器：涵盖方法论、架构设计、工具和技术。
• 运维数据体系总体架构：以CMDB为核心，管理应用系统和基础设施资源。

PART 02 运维数据平台建设

• 建设挑战：
  • 涉及多专业领域（云、网、数据中心、安全、操作系统），技术面广。
  • 虚实不一致，人工操作难以完全去除。
  • 行业特性导致标准化难度大（如券商业务的个性化场景）。
• 建设思路：
  • 消费为始，消费为终，场景驱动。
  • 生产是源，溯本求源，标准优先。
  • 治理为辅，度量作尺，质量优先。
• 数据生产能力建设：
  • 数据集中：统一汇聚异构数据源至数据湖仓。
  • 统一建模：建立宽表数据模型，构建扁平化结构。
  • 统一接口：应用场景遵循同一套领域数据消费模式。
  • 场景分散：自主建设基于场景化的数据计算和展示。
• 数据治理能力建设：
  • 无场景不度量，无度量不治理。
  • 源头治理：人工确认数据生产环节问题，形成优化方案。
  • 场景驱动：数据消费和应用驱动治理能力提升。
  • 指标度量：包括主数据度量指标和场景化关系数据度量指标。

PART 03 运维数据场景化应用

• 服务场景—服务器上架：
  • 场景痛点：上架场景影响因子多，人工难以挑选合适机位。
  • 解决方案：机架机位自动分配、接入交换机端口自动分配、存量机柜机位合并优化策略推荐。
• 运维场景—网络运维保障：
  • 场景痛点：干扰告警多、故障监控逃逸风险、点状告警难以推断面上态势。
  • 数据化解决方案：构建围绕业务的监控感知能力，实现面上运行质量感知。
• 运营场景—虚拟机资源效能运营：未在摘要中详细展开。

PART 04 运维数据体系发展展望

• 发展展望：
  • 仰望星空：基础设施支撑技术（如SDI）推动业务场景标准化自动化，数据分析技术（如AI）降低治理与应用门槛。
  • 脚踏实地：部分新技术在场景应用中效果未达预期，需综合管理或技术手段实现最佳业务结果。
• 高效运维社区DevOps时代：强调业务与技术双向奔赴。