【干货】大众点评运维架构的图文详解

分享内容

今天分享专题大纲如图所示，从5个方面跟大家一起探讨：

{width=”498”
height=”333”}

1、点评运维团队的配置

目前我们运维分为4个组，相信跟大部分公司一样，运维团队分为：应用运维、系统运维、运维开发和监控运维，当然还有DBA团队和安全团队，这里就不一一罗列了。整个运维团队全算上目前是不到40人规模。

{width=”498”
height=”446”}

我们团队分工是这样的：

应用运维：负责支持线上业务，各自会负责对应的业务线，主要职能是保证线上业务稳定性和同开发共同支撑对应业务，以及线上服务管理和持续优化。
运维开发：帮助运维提升工作效率，开发方便快捷的工具，实现运维平台化自动化。
系统运维：负责操作系统定制和优化，IDC管理和机器交付，以及跳板机和账号信息管理。
监控运维：负责发现故障，并第一时间通知相关人员，及时处理简单故障和启动降级方案等。

2、点评的整体架构

先看下点评的机房情况。

{width=”498”
height=”453”}

点评目前是双机房结构，A机房主跑线上业务，B机房跑测试环境和大数据处理作业，有hadoop集群、日志备份、灾备降级应用（在建）等。点评目前机房物理机+虚拟机有近万台机器。

点评的整体架构，还是跟多数换联网公司一样，采用多级分层模式，我们继续来详细看下点评整体架构。

{width=”498”
height=”451”}

上面这幅图基本概括了点评的整体架构环境：

用户引导层用的是第三方的智能DNS+CDN。
负载均衡首先是F5做的4层负载均衡
之后是dengine做的7层负载均衡（Dengine是在tengine基础上做了二次开发）。再往后是varnish做的页面缓存
之后请求到web端 web端通过内部协议调用service（RPC）。
图片存储用的是mogileFS分布式存储。
所有业务，全部有高可用方案，应用全部是至少2台以上。
当然，具体业务要复杂很多，这里只是抽象出简单层面，方便各位同学理解。

目前，点评运维监控是从4个维度来做的：

业务层面，如团购业务每秒访问数，团购券每秒验券数，每分钟支付、创建订单等（cat）。
应用层面，每个应用的错误数，调用过程，访问的平均耗时，最大耗时，95线等（cat）。
系统资源层面：如cpu、内存、swap、磁盘、load、主进程存活等
（zabbix）。
网络层面：如丢包、ping存活、流量、tcp连接数等（zabbix cat）。

3、点评运维系统介绍

{width=”498”
height=”426”}

点评的运维和平台架构组做了很多实用的工具，这些工具组成了点评的整体运维体系。

目前自动化运维比较热，但自动化运维个人觉得是一种指导思想，没必要硬造概念和生搬硬套。自动化在很多公司百花齐放，各家有各家的玩法。但不管怎么定义，运维人员都必须从不同纬度去面对和解决企业所存在的问题。

点评在这方面，也是摸着石头过河，我们的思路是先造零件，再整合，通过零件的打造和之间的整合，慢慢勾勒出一条适合自己的运维自动化框架。

我们运维的理念是：

能用程序干活的，坚决程序化、平台化；
能用管理解决的问题，不用技术解决；
同一个错误不能犯三次；
每次故障，都是学习和提升的机会；
每个人都要有产品化思维，做平台产品让开发走自助路线；
小的，单一的功能，组合起来完成复杂的操作（任务分解）；

所以，我们将自己的理念，融入到自己的作品中，做出了很多工具。

首先整体做个说明，点评运维工具系统汇总：

全方位监控系统：覆盖业务、应用、网络、系统等方面，做到任何问题，都可直观反馈。对不同应用等级，做到不同监控策略和报警策略。
自动化工具系统：对重复的、容易出错的、繁琐的工作尽可能工具化，通过小的策略组合，完成大的任务。
配置和管理系统：对于复杂的配置管理，尽可能web化、标准化、简单化，有模板定义，有规范遵循。
记录和分析系统：对发生的问题和数据做记录并分析，不断的总结、完善和提升。

下面就跟大家来一一介绍下：

3.1 全方位监控系统

Zabbix大家应该非常熟悉了，这里就不做介绍，主要介绍下cat监控。

{width=”498”
height=”334”}

业务监控：

这张是cat的应用监控图表，可直观从业务角度看出问题，可跟基线的对比，发现问题所在。如图所示，此时支付远偏离基线，流量正常，可能后端出了问题。

除了这些，还有创建订单、支付、首页访问、手机访问等业务数据。

这张图是从业务角度来监控的。

{width=”498”
height=”440”}

这张也是从业务层面来监控的，该图展示的是手机的访问量趋势图，下面包括延迟、成功率、链接类型、运营商等都有明确数据，该监控可全方位覆盖业务。

{width=”498”
height=”379”}

应用监控：

从业务层面往下，就是应用层面。

应用状态大盘可清晰表示当前业务组件状态，如果某个业务不可用，其下面某个应用大量报错，说明可能是该应用导致。

该监控大盘十分清晰明的能展示业务下面的应用状态，可在某业务或者某域名打不开的时候，第一时间找出源头。

下图为应用报错大盘，出问题的应用会实时登榜（每秒都会刷新数据），当出现大故障时，运维人员可一眼看出问题；而当多个不同业务同时报错时，则可能是公共基础服务出了问题。

{width=”498”
height=”390”}

再看下图的这个功能，是Cat最强大的功能，能完整显示应用之间调用过程，做了什么事情，请求了那些，用了多长时间，成功率是多少，访问量是多大，尽收眼底。
Cat几乎无死角的覆盖到业务和应用层面的监控，当然还可做网络等层面监控，总之非常强大。这也是点评的鹰眼系统。

{width=”498”
height=”392”}

Logscan日志扫描工具:

{width=”498”
height=”434”}

Logscan系统，是一套日志扫描工具，可根据你定义的策略，对日志内容进行定时扫描，该工具可覆盖到基于日志内容的检测，结合zabbix和cat，实现无死角覆盖。
比如有一些攻击的请求，一直遍历你的url，通过cat、zabbix等都无法灵活捕获，有了日志扫描，便可轻松发现。

3.2 自动化工作系统

首先介绍下点评的流程系统-workflow系统

顾名思义workflow是一套流程系统，其核心思想是把线上所有的变更以标准化流程的方式，梳理出来。

我们遵循一个理念，能用程序跑，就不去人操作。

流程有不同状态的转化，分别为发起、审计、执行、验证等环节。用户可自行发起自己的需求变更，通过运维审核，操作（大部分是自动的），验证。
如扩容、上线、dump内存、封IP等都为自动化流程。

{width=”498”
height=”436”}

以我们线上自动化扩容流程为展示，用户使用时，需要填写对应信息，提交后，运维在后台审核过后，就完全自动化扩容，扩容完成会有邮件通知，全程运维不需要登录服务器操作。（自动化倒不是太复杂的技术难题，通过小的任务组合，设置好策略即可）.
几十台机器的扩容，运维只需点个审核通过按钮，数分钟而已。

{width=”498”
height=”453”}

经过长时间的推广，点评现在98%以上变更都是通过工作流平台完成的，所有变更全部有记录，做到出问题时
有法可依，违法可纠。

而且通过流程单的使用频率，可做数据分析，了解哪些操作比较频繁，能否自动化掉，是否还有优化空间。
这才是做平台的意义，以用户为导向。

{width=”498”
height=”397”}

流程系统就介绍到这里，朋友们可关注下其中核心思想。

下面介绍另一套重量级核心系统：Button系统

Button是一套代码管理、打包、部署上线系统，开发可完全自主化进行上传代码，自动化测试，打包，预发，灰度上线，全部上线，问题回滚等操作。
全程运维不用干预，完全平台自主化。

{width=”498”
height=”437”}

点评的运维，除了有些没法自动化的手动配置下，其他基本都是开发自助。
这就是自动化的威力！

Go平台系统，是一套运维操作系统，其中包含了很多常规操作、如批量重启、降级、切换、上下线、状态检测等。

该系统主要是解决运维水平参差不齐，工具又各有各的用法，比如说批量重启操作，有用ssh、有用fabric、有自己写shell脚本的。
干脆直接统一，进行规范，定义出来操作，通过平台化进行标准化。
由于长时间不出问题，偶尔出一下，运维长时间不操作，找个批量重启脚本还要找半天。
哪些不能自动化的，我们基本都做到go里了，在这里基本都是一键式的傻瓜操作了。

{width=”498”
height=”411”}

现在，我们监控团队就可以灵活操作，不需要有多高的技术含量，并且每次操作都有记录，做好审计和授权。

{width=”498”
height=”439”}

所有后台基本都是python、shell脚本实现，小的脚本组再整合成任务，这也是我们的重要理念之一。
对于比较复杂的任务，我们进行分解，然后用小的，单一的功能，组合起来完成复杂的操作（任务分解）。
其实我们实现自动化也是这个思路，先造零件，再拼装。

{width=”498”
height=”431”}

尽管有了puppet，go等工具，但对于一些job作业的管理，也显得非常吃力，我们架构组的同学做出一套任务调度系统。相当于分布式的crontab，并且有强大的管理端。
完全自主化管理，只需要定义你需要跑的job，你的策略，就完全不用管了。会自动去做，并且状态汇报、监控、等等全部都有记录，并实现完全自助化。

{width=”498”
height=”440”}

{width=”498”
height=”451”}

以上这些系统都非常注重体验，都有非常详细的数据统计和分析，每过一段时间，都有人去看，不断改进和优化，真正做到产品自运营。还有一些自动化系统就不一一介绍了。

3.3 配置和管理系统

先介绍下puppet管理系统，相信不少同学对puppet语法格式深恶痛绝，并且也领教过一旦改错造成的故障严重性。

而且随着多人协同工作后，模板和文件命名千奇百怪，无法识别。

针对这些问题，点评就做了一套管理工具，主要是针对puppet语法进行解析，实现web化管理，并进行规范化约束。

跟go系统一样的想法，将puppet中模块进行组合，组合成模块集（方法集），可方便识别和灵活管理。

{width=”498”
height=”416”}

下面展示的是我们的软负载均衡管理页面，该系统是线上SLB的管理系统。
其核心在于把nginx语法通过xml进行解析，实现web化管理，傻瓜式配置，规范化配置，避免误操作，版本控制，故障回滚等。

{width=”498”
height=”435”}

{width=”498”
height=”436”}

点评系统很多，基本上遇到个痛点，都会有人想办法把痛点解决。

下面就介绍下点评另一套强大配置系统，lion。

{width=”498”
height=”419”}

Lion是一套应用配置管理系统，点评的所有应用用到的配置，不在本地文本文件存储，都在一个单独系统存储，存储以key/value的方式存储。并且也是完全平台化，运维负责做好权限控制和审计。开发全部自助。

其核心是用了zookeeper的管理机制，将配置信息保存在 Zookeeper
的某个目录节点中，然后将所有需要修改的应用机器监控配置信息的状态，一旦配置信息发生变化，每台应用机器就会收到
Zookeeper 的通知，然后从 Zookeeper 获取新的配置信息应用到系统中。

是不是在点评做运维轻松很多？各种操作都工具化，自助化，自动化了。那运维还需要做什么。

3.4 记录和分析系统

此类系统虽然不怎么起眼，但对我们帮助也是特别大的，我们通过一些系统的数据记录和分析，发现了不少问题，也解决不少潜在问题，更重要的是，在这个不断完善总结的过程中，学习到了很多东西。

这个是我们故障分析系统，所有的故障都会做记录，故障结束后都会case by
case的进行深入分析和总结。其实以上很多系统，都是从这些记录中总结出来的。

{width=”498”
height=”407”}

该系统为故障记录系统，每个故障都有发生的缘由和改进的方案，定期有人review。

运维起来很轻松吗？也不轻松，只是工作重点有了转移，避开了那些重复繁琐的工作，和开发同学深度结合，共同注重运营质量和持续优化。

再来看下图所示是点评的DOM系统，即运营质量管理平台，该平台汇总了线上的服务器状态、应用响应质量、资源利用率、业务故障等全方位的数据汇总平台。

{width=”498”
height=”424”}

并通过同比和环比，以及平均指标等数据，让各开发团队进行平台化PK，性能差的运维会去推动改进。

{width=”498”
height=”411”}

最后一个需要介绍的是雷达系统，该系统是我们最近在做的，一个比较高大上的项目。

朋友们也感受到了，我们系统之多，出问题查起来也比较费时。
不少同学生产环节也遇到过类似问题，出了问题到底是什么鬼？到底哪一块引起的呢？
结合这个问题，我们把线上的问题做了个分类，并给了一些策略层面的算法，能快速显示。
可让故障有个上下文的联系，如：上线时间、请求数下降、错误数增多等，哪个先出现，哪个后出现？
当然，这块功能还在做，目标是实现
出问题的时候，一眼就能从雷达系统定位问题类型和范围。

{width=”498”
height=”403”}

以上向大家演示的就是点评的运维系统，相信我们点评的运维思想都在里面体现了。

运维点评这几年的发展，主要目标是实现平台规范化、运维高效化、开发自主化
。

之前也是通过运维root登录，然后写脚本批量跑命令的低效运维。也经历过CMDB系统信息不准确，上线信息错乱的尴尬局面。也遇到过出了很大问题，运维忙来忙去，找不到rootcase。

好在，通过努力，这些问题现在都有了很大改观，相信朋友们通过展示的系统，能感觉出点评运维的进步。

4、运维踩过的坑和改进的地方

我就这些年，点评运维出的一些case案例，跟大家聊一聊我们做了哪些具体工作:

变更不知道谁做的，无法恢复，变更完也找不到根据，造成重大故障。//之前线上puppet通过vim的管理方式，由于运维同学失误推了一个错误配置，导致全部业务不可用1个小时，我们后面通过规范puppet配置修改并做成工具，进行权限控制，还加了流程系统，进行避免。
出了问题，开发说代码没问题，运维说环境没问题，该找谁？//我们后面做了工具，通过DOM和cat系统，可进行深度诊断，基本很容易定位问题所属。
执行了个错误命令，全线都变更了，导致服务不可用。//我们通过go系统，进行日常操作梳理，并做成工具，运维90%操作都可通过自动化流程和go平台完成。大大缩减故障产生率，并且之后进行权限回收。
出问题了，各种系统翻来查去，无法快速定位，找不到rootcase。//点评正在做雷达系统，就是将历史存在的问题，进行复盘，将一些故障类型，进行分级，然后通过策略和算法，在雷达系统上进行扫描，出问题环节可快速第一时间优先显示。
运维天天忙成狗，还不出成绩，天天被开发吐槽。//点评这两年完全扭转了局势，现在是运维吊打开发，因为我们目前，大部分系统都实现了开发自助化，运维被解放出来，开始不断完善平台和关注业务运营质量，我们dom系统是可定制的，运维每天都把各业务的核心指标报表发到各位老大那里，哪些服务质量差，响应慢，开发都会立即去改。（当然，需要老大们支持）。