運維工程師面試者第一個問題是：需要值班嗎？筆者自己也曾經歷過月入十萬的時期，在那個時候，數個系統同時發佈下一代版本，而老系統還需要過渡很長時間，工作量直接翻倍。
圖片來自 Pexels
大家只能勉強應付一線運維工作，團隊成員開始陸續離職，而新人又無法在短時間內上手，整體情況不斷惡化，持續半年左右才緩過勁來。
下面兩張截圖是我挑選的兩個團隊一週報警數的對比圖，前者的單日報警量最高是 55348 條，後者單日的報警量最高爲 34 條，兩者相差 1600 倍，而前者纔是國內很多互聯網運維團隊的真實寫照。
在管理大規模集羣的情況下，究竟有多少報警量纔是合理的呢？
Google SRE 每週十條故障報警
Google SRE 每週只有十條報警，如果超過十條，說明沒有把無效報警過濾掉（Google SRE 僅負責 SLA 要求爲 99.99% 的服務）。
筆者所在的團隊要求則是，每週至多兩晚有報警，單日報警量不能超過 50 條（比 Google SRE 放水好多啊）。
通過控制單日報警數量，嚴格約束夜間報警天數，確保最少不低於四人蔘與值班。
筆者所在的團隊，近幾年來，不僅少有因爲值班壓力而離職的同學，而且我們每年都能持續招聘到 985 前 20 名學校的多個研究生。
那麼，怎麼做到呢，以下是筆者的一些經驗分享。
運維工程角度看報警優化
①報警值班和報警升級
基於值班表，每天安排兩人進行值班處理報警，將值班壓力從全團隊壓縮在兩人範圍內，從而讓團隊能夠有足夠的時間和人力進行優化工作。
同時，爲了避免兩個值班人員都沒有響應報警，可以使用報警升級功能，如果一個報警在 5min 內值班人員均未響應，或者 15min 內未處理完畢，或者有嚴重故障發生，都可以將報警進行升級，通告團隊其他成員協助處理。
如果公司的監控系統暫不支持值班表功能，則通過人工定期修改報警接收人的方式進行。
而對於監控系統不支持報警升級的問題，通過自行開發腳本的方式，也能在一定程度上得到解決。
也可以將報警短信發送至商業平臺來實現。總之一句話，辦法總比問題多。
對於報警值班人員，需要隨時攜帶筆記本以方便處理服務故障，這個要求，和報警數量多少以及報警的自動化處理程度並無關係，僅和服務重要性有關。
對於節假日依然需要值班的同學，公司或者部門也應該儘量以各種方式進行補償。
②基於重要性不同，分級應對
一個問題請大家思考一下，如果線上的服務器全部掉電後以短信方式通知值班人員，那麼線上一臺機器的根分區打滿，也通過短信來通知是否有必要。
上述的問題在日常工作也屢屢發生，對於問題、異常和故障，我們採取了同樣的處理方式，因此產生了如此多的無效報警。
Google SRE 的實踐則是將監控系統的輸出分爲三類，報警、工單和記錄。
SRE 的要求是所有的故障級別的報警，都必須是接到報警，有明確的非機械重複的事情要做，且必須馬上就得做，才能叫做故障級別的報警。其他要麼是工單，要麼是記錄。
在波音公司裝配多個發動機的飛機上，一個發動機熄火的情況只會產生一個”提醒“級別的警示（最高級別是警報，接下來依次是警告、提醒、建議），對於各種警示，會有個檢查清單自動彈出在中央屏幕上，以引導飛行員找到解決方案。
如果是最高級別的警報，則會以紅色信息，語音警報，以及飛機操縱桿的劇烈震動來提示。如果這時你什麼都不做，飛機將會墜毀。
③故障自愈
重啓作爲單機預案，在很多業務線，可以解決至少 50% 的報警。沒有響應，重啓試試，請求異常，重啓試試，資源佔用異常，重啓試試，各種問題，重啓都屢試不爽。
換言之，針對簡單場景具有明確處置方案的報警，自動化是一個比較好的解決方案，能夠將人力從大量重複的工作中解放出來。
自動化處理報警的過程中，需要注意以下問題：
自動化處理比例不能超過服務的冗餘度（默認串行處理最爲穩妥）。
不能對同一個問題在短時間內重複多次地自動化處理（不斷重啓某個機器上的特定進程）。
在特定情況下可以在全局範圍內快速終止自動化處理機制。
儘量避免高危操作（如刪除操作、重啓服務器等操作）。
每次執行操作都需要確保上一個操作的結果和效果收集分析完畢（如果一個服務重啓需要 10min）。
如下圖示，全年 TOP-3 的報警量佔比達到 30%，通過對 TOP-3 的報警安排專人進行跟進優化，可以在短時間大幅降低報警量。
同時，報警儀表盤還需要提供報警視圖的功能，能夠基於各種維度展示當前有哪些報警正在發生，從而便於當短時間內收到大量報警，或者是報警處理中的狀態總覽，以及報警恢復後的確認等。
下圖是國內非常典型的一類流量圖，流量峯值在每天晚上，流量低谷在每天凌晨。
基於冗餘度的變換，相應的監控策略的閾值，隨機也應該發生一系列的變化。
舉例來說，在高峯期，可能一個服務故障 20% 的實例，就必須介入處理的話，那麼在低谷期，可能故障 50% 的實例，也不需要立即處理，依賴於報警自動化處理功能，逐步修復即可。
在具體的實踐中，一種比較簡單的方式就是，在流量低谷期，僅接收故障級別的報警，其餘報警轉爲靜默方式或者是自動化處理方式，在流量高峯期來臨前幾個小時，重新恢復，這樣即使流量低谷期出現一些嚴重隱患，依然有數小時進行修復。
這種方式之所以大量流行，是因爲該策略能夠大幅減少凌晨的報警數量，讓值班人員能夠正常休息。
在監控趨勢圖中，會看到偶發的一些毛刺或者抖動，這些毛刺和抖動，就是造成瞬報的主要原因。
這些毛刺和抖動，至多定義爲異常，而非服務故障，因此應該以非緊急的通知方式進行。
以 CPU 瞬報爲例，如果設置採集週期爲 10s，監控條件爲 CPU 使用率大於 90% 報警，如果設置每次滿足條件就報警，那麼就會產生大量的報警。
如果設置爲連續 5 次滿足條件報警，或者連續的 10 次中有 5 次滿足條件就報警，則會大幅減少無效報警。
對於重要服務，一般建議爲在 3min 內，至少出現 5 次以上異常，再發送報警較爲合理。
對於很多有趨勢規律的場景，可以通過提前預警的方式，降低問題的緊迫程度和嚴重性。
下圖是兩臺機器一週內的磁盤使用率監控圖，可以預見，按照目前的增長趨勢，必然會在某一個時間點觸發磁盤剩餘空間 5% 的報警。
可以在剩餘空間小於 10% 的時候，通過工單或者其他非緊急方式提醒，在工作時間段內，相對從容的處理完畢即可，畢竟 10% 到 5% 還是需要一個時間過程的。
提前預警面向的是有規律的場景，而日常巡檢，還可以發現那些沒有規律的隱患。
以 CPU 使用率爲例進行說明，近期的一個業務上線後，CPU 使用率出現偶發突增的情況，但是無法觸發報警條件（例如 3 分鐘內有 5 次使用率超過 70% 報警），因此無法通過報警感知。
放任不管的話，只能是問題足夠嚴重了，才能通過報警發現。
這個時候，如果每天有例行的巡檢工作，那麼這類問題就能夠提前發現，儘快解決，從而避免更加嚴重的問題發生。
線上機器的規格不同，如果從絕對值角度進行監控，則無法適配所有的機器規格，勢必會產生大量無意義的報警。
以磁盤剩餘空間監控爲例，線上規格從 80GB 到 10TB 存在多種規格，從下圖表格看，比例比絕對值模式能更好的適配各種規格的場景（EXT4 文件系統的默認預留空間爲 5%，也是基於比例設置的並可通過 tune2fs 進行調整）。
⑩Code Review
前人埋坑，後人挖坑。在解決存量問題的情況下，不對增量問題進行控制，那報警優化，勢必會進入螺旋式緩慢上升的過程，這對於報警優化這類項目來說，無疑是致命的。
通過對新增監控的 Code Review，可以讓團隊成員快速達成一致認知，從而避免監控配置出現千人千面的情況出現。
⑪ 沉澱標準和優秀實踐
僅僅做 Code Review 還遠遠不夠，一堆人開會，面對一行監控配置，大眼瞪小眼，對不對，爲什麼不對，怎麼做更好？大家沒有一個標準，進而會浪費很多時間來進行不斷的討論。
這時候，如果有一個標準，告訴大傢什麼是好，那麼有了評價標準，很多事情就比較容易做了。
標準本身也是需要迭代和進步的，因此大家並不需要擔心說我的標準不夠完美。
基於標準，再給出一些最佳的監控時間，那執行起來，就更加容易了。 以機器監控爲例進行說明，機器監控必須覆蓋如下的監控指標，且閾值設定也給出了優秀實踐。
CPU_IDLE < 10
MEM_USED_PERCENT > 90
NET_MAX_NIC_INOUT_PERCENT > 80 （網卡入口/出口流量最大使用率）
CPU_SERVER_LOADAVG_5 > 15
DISK_MAX_PARTITION_USED_PERCENT > 95 （磁盤各個分區最大使用率）
DISK_TOTAL_WRITE_KB（可選項）
DISK_TOTAL_READ_KB（可選項）
CPU_WAIT_IO（可選項）
DISK_TOTAL_IO_UTIL（可選項）
NET_TCP_CURR_ESTAB（可選項）
NET_TCP_RETRANS（可選項）
⑫徹底解決問題不等於自動處理問題
如果一個模塊經常崩掉，那麼我們可以通過添加一個定時拉起腳本來解決該問題。
那這個模塊崩掉的問題解決了嗎？其實並沒有，你增加一個拉起腳本，只是說自己不用上機器去處理了而已，但是模塊爲什麼經常崩掉這個問題，卻並沒有人去關注，更別提徹底解決了。
如果一個機器經常出現 CPU_IDLE 報警，那麼我們可以將現在的監控策略進行調整。
比如說，以前 5min 內出現 5 次就報警，現在可以調整爲 10min 內出現 20 次再報警，或者直接刪除這個報警策略，或者將報警短信調整爲報警郵件，或者各種類似的手段。
但這個機器爲什麼出現 CPU_IDLE 報警，卻並沒有人去關注，更別提解決了。
通過上面兩個例子，大家就理解，自動化處理問題不等於解決問題，掩耳盜鈴也不等於解決問題，什麼叫做解決問題，只有是找到問題的根本原因，並消滅之，才能確保徹底解決問題，輕易不會再次發生。
還是上面自動拉起的例子，如果仔細分析後，發現是內存泄露導致的進程頻繁崩掉，或者是程序 Bug 導致的 Coredump，那麼解決掉這些問題，就能夠徹底避免了。
如何解決團隊內部的值班排斥情緒
辛辛苦苦幹了幾年了，還需要值班，老婆孩子各種抱怨，有時候身體狀況也不允許了，都不容易。
不同的團隊，解決方式不同，但有些解決方案，會讓人覺得，你自己都不想值班，還天天給我們打雞血說值班重要。
更嚴重一些的，會讓團隊成員感受到不公平，憑什麼他可以不值班，下次是不是我們大家也可以找同樣的理由呢。
筆者的團隊是這樣明確說明的： 保證值班人員數量不低於四人，如果短時間內低於四人，那麼就需要將二線工程師短暫加入一線值班工作中，爲期不超過三個月。
團隊達到一定級別的工程師，就可以轉二線，不參與日常值班工作，僅接收核心報警，且對核心報警的有效性負責，若服務故障核心報警未發出，則每次罰款兩百。
寫在最後
所謂的準確性，也就是有報警必有損，而召回率呢，則是有損必有報警。
最後，祝願大家都不在因爲值班工作而苦惱！