日前，GOPS全球运维大会在深圳正式召开。GOPS 全球运维大会由高效运维社区（GreatOPS）、开放运维联盟（OOPSA）和 DevOps 时代社区联合主办，面向互联网、金融、通信及传统行业广大运维技术人员，旨在传播先进技术思想和理念，分享业内最佳实践。
会上，华为云SRE首席架构师李浩发表题为“基于量化分析设计高可用架构，构建确定性运维能力”的主题演讲，深入分享确定性运维能力如何为行业业务构建稳定可靠的云底座。同期，华为云还举办了“维享会”精英沙龙，携手趣玩、丹姿、金蝶、小鹅网络等企业的运维总监、技术负责人，共同针对不同行业、不同规模、不同数字化转型阶段的企业运维经验进行交流分享。
(资料图)
维享会·精英沙龙（GOPS专场）
庞大、复杂、快速变化，成为系统运维的关键挑战
在千行百业的数字化转型中，软硬件迭代加速，企业的业务系统越来越庞大、复杂且处于快速变化中，保障系统的稳定可靠，是企业业务最基本的“生命线”。
为此，华为云SRE提出“确定性运维”能力体系，这是面向云时代的高效能、高质量的运维体系，也是融合“高可用架构”、“动态风险治理”、“高度智能运维框架”形成的有机结合体。通过“确定性运维”，华为云将业务高速发展带来的“不确定性”变成SLO的“确定性”。其中，通过高可用设计消除风险因素，是达成确定性的前提。
华为云主张的确定性运维能力体系
“运维也许被认为是默默干活的‘骆驼’，但是未来不能总是‘骆驼’，因此要正本清源，在前端架构上把交付产品设计好。一个高可用的架构才有现网好的质量结果，现网的高质量结果，不是仅靠简单运维出来的，而是前端设计和后端运维一起努力得到的效果。”李浩在演讲时表示。
“用数学工具解决工程问题”，建立云系统和云应用的高可用模型
设计确定性高可用架构，首先要解决的就是如何度量的问题。在架构设计中，华为云使用了系统可用度评估模型，该模型是由三个决定性因素构成：失效率，即中断次数；恢复时长，包括发现时间、定界时间、恢复时长；故障影响，即每次中断影响的租户数量。通过这三个因素，可计算出系统最终的可用度，基于这一评估模型，运维团队可更有针对性地进行高可用设计，追求系统整体可用度的最优。
华为云SRE首席架构师李浩
“SLO的优秀结果绝对不是靠运气实现，系统的可用性一定需要靠前端设计出来”。李浩表示，系统的可用度如何，并不是现网通过事件度量出来的，而是通过前端设计，在架构设计阶段就保障SLO是可信的。在这个过程中，还可能遇到各种挑战，如质量要素的非线性导致的结果不确定性、质量要素的数量爆炸、质量要素之间存在相关性等问题。
为了解决这些问题，华为云以RBD（Reliability Block Diagram）模型和马尔科夫模型作为理论基础，对华为云现网长时间运转产生数据进行分析，围绕硬件故障、软件故障、变更问题、过载/安全这四大中断因素，将这些故障的中断次数、中断时长等数据作为模型的基础参数。基于这些方法，可进一步准确统计服务器的可用度，软件bug概率等，从而构建出华为云架构可用度评估模型和技术规范。
华为云通过这样一套工程体系，建立每个云服务的SLO档案，并通过数据分析和量化计算的方式找到系统的短板，支撑高可用方案选型。据介绍，当前华为云已基于该模型解决了大量实际问题，包括集群节点数量设定、多组件复杂分布式系统的组件连接方式等。
面向未来，量化分析模型完整系统还有很多路要走。李浩表示，华为云将持续创新，把各种子模型合并，实现更加完备的、更准确的计算系统可用度。
一切皆服务，帮助企业构建确定性运维能力
为了帮助更多企业构建稳定可靠的云上业务，华为云将自身确定性运维实践经验沉淀，以服务的形式提供给千行百业，让运维变革成为企业数字化转型的加速器。
首先，华为云根据与众多企业交流经验梳理出“确定性运维能力成熟度模型”，支撑企业评估自身运维的成熟度并识别短板，从而制定符合其需求的运维变革目标和转型、进阶措施，加快提升企业整体运维能力。
确定性运维成熟度模型
其次，华为云SRE提供了规划与设计服务，可协助企业应用开发及运维团队规划运维体系蓝图及演进路标，使得企业运维在能力上向确定性升级、在组织上向SRE模式转型、在流程上持续优化、在工具上加快智能化，从而持续优化SLO指标、人均维护基线、故障恢复时长，达到高度确定性结果。
最后，华为云SRE还提供确定性运维专家培训课程，采用理论+案例实战的方式，为企业运维人员深度解读国内外SRE实践的发展方向，分享如何构建与提升软件及系统工程能力，从而帮助企业进行组织与团队能力建设。
从2022年开始，华为云加快携手客户、业界伙伴共创确定性运维能力，在全国开展“维享会”（确定性运维经验交流分享会）活动。目前，维享会已经开展了30余期，覆盖不同的城市、行业、客户，打造了行业分享运维最佳实践和创新技术的优秀平台。
高效一站式运维，支撑高可用架构量化分析及能力构建
本次大会，华为云还首次对外展示了云运维中心（Cloud Operations Center）。作为一体化运维平台，该平台可助力企业用户更好实现确定性运维，打造高度集中化的运维和管控能力；同时，平台支持混合云及多云管理，并沉淀SRE最佳实践，实现场景智能化运维全局最优决策推荐等，实现“一站式”的操作能力。
站点健康监测大屏演示效果
面对行业数字化转型和确定下运维需求，华为云云运维中心将主要助力企业构建6大运维能力：
故障快速恢复：沉淀多年SRE故障领域知识库，实现故障恢复最优决策和自愈；
变更风险管控：变更风险智能识别和拦截，确保变更过程安全可信；
资源运维管理：高效的资源自动化运维，智能分批灰度，极大提升效率；
韧性评估优化：应用高可用架构自动评估，及时发现问题驱动改进；
全栈可观测性：应用资源全场景视角的数据层现，按需自定义看板；
统一运维门户：运维风险、事件、任务等集中可视和操作，一站式完成处理；
在产品架构设计上，华为云以集成促统一，以统一促简化，以数字化使能运维主动管理和优化改进，通过持续治理与敏捷并重，在安全合规的基础上不断提升效率，实现运维竞争力突破。
面向数字化未来，企业的IT运维将迎来更多新变革和新挑战。华为云SRE基于自身数字化转型实践经验，携手客户、伙伴持续开展运维变革与创新，助力运维成为企业业务发展加速器，加速千行百业数字化转型，共同构建“确定”的数字世界。
