大型国企如何实施IT运维SRE转型——暨北京移动IT运维转型实践分享

大型国企IT运维SRE转型实践总结

背景与挑战

• 运维保障是IT治理核心：秉承公司“世界一流信息服务科技创新公司”发展定位，IT治理需从组织、技术、协同等方面优化，运维保障是业务目标实现的基础。
• 云原生技术红利与运维困局：北京移动IT系统完成云化、微服务化、容器化升级，组件规模和复杂性呈几何级增长，软件交付和IT运维面临巨大挑战。
• 转型驱动力：集团战略、业务转型、数智化转型、组织复杂、多厂商服务、故障零容忍。

转型顶层设计

• “四位一体”SRE工作思路：业务运营保障、技术支撑保障、数智化运维平台、SRE能力图谱、容灾和应急保障体系。
• SRE九大原则：架构设计原则、运维前置原则、可观测性原则、DevOps闭环原则、事件闭环原则、风险预案原则、故障演练原则、全生命周期参与原则、SRE技术文化原则。
• 组织、流程和文化变革：成立架构委员会、SRE联合专业小组、打造SRE文化、IT运维团队意识转型。
• SRE能力模型标准：SRE运维体系由1+3+8+1构成，遵循SRE管理规范化、SRE能力标准化、SRE支撑平台化原则，覆盖全生命周期，持续提升SRE能力建设。
• 深度参与IT工程全生命周期：SRE团队跨IT组织所有部门建设“IT工程全生命周期参与”机制和工作流程。

转型分享：技术保障与容灾应急

• 技术支撑保障：制定IT生产系统架构技术标准，持续评估SRE可靠性风险，采用循环迭代、渐进深入方式推进改进。
• 偿还IT系统架构性技术债务：采用“滚动迭代、持续演进”策略，对老旧系统进行技术迭代，消除“技术债务”。
• 容灾和应急：优先实施灾备和应急系统，推行系统故障时“先恢复再修复”响应策略，快速提升系统高可用水平。

转型分享：数智化运维平台

• SRE数智化运维平台框架：打造运维基础、防患故障未然、故障快速响应、保障流程效率。
• 自动化闭环的DevOps流程：统一管理需求，基于需求进行任务分解，自动化回归测试管理平台囊括近千个测试案例。
• 工具开发从项目制到敏捷迭代：SRE理念要求快速迭代IT运维工具，敏捷迭代是唯一王道。
• 将SLO作为运维能力提升的核心点：增加SLO监控，配套可观测能力，提升监控查准率、查全率，驱动可观测性平台建设。
• 跨IaaS/PaaS/SaaS统一告警等级和响应：统一定义监控告警等级和响应升级机制，实现跨部门故障响应协同一致性。
• 常态化演练故障应急响应预案：从应急预案故障模拟度、运维团队熟练度两个角度实施常态化应急演练。
• 基于DevOps驱动跨部门变更管理：统一变更风险等级标准，明确割接方案、影响评估、风险等级评估等内容。
• 建立高效故障复盘流程和无责文化：六步走进行故障复盘，满足描述清晰、具体的行动项目、对事不对人、深度剖析、迅速复盘、简明扼要等要求。

SRE未来思考

• IT运维响应中移动集团战略定位：加快推进数智化转型，打造数字化、智能化的业务、能力和组织体系。
• 发展方式：从资源要素驱动向创新驱动转变，实现从运营商向科技公司的历史性跨越。
• 推出IT运维产品体系和服务：发挥央企优势，基于自身SRE实践，推出IT运维产品体系和服务，具备进入大型政企运维市场的特有优势。
• “京萤”系列产品：助力大型政企客户IT运维，提供SRE实施咨询、方案交付、产品交付、实施服务、运维支持等“2+2”SRE与产品交付服务。