云計算改變世界的力量，已經開始在各種應用實現中被不斷印證，現在還只是云計算生命周期的啟航，這場變革的演進一定會超乎大多數人的想象。早些年，當我讀到尼古拉斯·卡爾《IT不再重要》(The Big Switch: Rewiring the World, from Edison to GoogleDoes IT Matter?)這類文章的時候，對于云計算所具備水、電般屬性的勾勒，既為之興奮;又苦惱無法為具化這些屬性找到實踐支撐。而最近三年來，云計算發展風生水起，以我這三年切身參與阿里云計算產品實現和落地的過程為例，恰好是云計算從“虛”到“實”變革演進的一個縮影。這過程中，我對于云計算運維在不斷理解、摸索和實現中重構。本篇文章，是對于云計算運維階段性積累的部分分享。

云計算是公共資源，是一臺超級計算機，大規模，低成本，可服務，是互聯網時代的水和電… 云計算貼有很多這樣的標簽(tag)，但云計算時代的運維，到底為開發商(developer，開發者)和云計算平臺運營商帶來了怎樣的Big Switch? 我的答案，是運維之“輕”與“重”的轉移，這“輕”與“重”的背后，體現了云計算運維和傳統運維的差異性和核心競爭力的轉移。

一、傳統運維之“重”

傳統網站的運維模式，業務和規模上雖然各有差異，但在結構上講都很相似，從最底層的IDC(數據中心)、網絡、服務器和系統等基礎運維，到上層數據庫、安全和產品等應用運維，需要環環相扣，層層覆蓋。尤其對于一些小、微型開發者商，麻雀雖小也要五臟俱全，各種運維任務如同一輛滿載的貨車，面對惡劣的路況(激烈的市場環境)，為了保持行駛速度，要不斷加油和維修(網站運維持續投入人力、物力，避免運維成為阻礙自身發展的瓶頸);另一方面，因為運維所具有的專業性、規模化和周期性等特點，運維投入所換來的產出往往又不如人意。傳統網站的運維模式，另許多網站不堪重負。

二、開發者商運維之“輕”

在云計算時代，對于開發者商的變化是什么?隨著開發者商的網站“上云”，開發者商的網站運維將變得很輕、很薄。開發者商可以集中優勢資源專注于自身產品研發、運營，把這部分核心競爭力做重、做厚。而產品的絕大部分網站運維工作隱身在背后那朵云里，由云計算平臺運營商實現。對于開發者商而言，云計算時代的網站運維可以舉重若輕，如同將原來滿載的貨車，換成了快捷的跑車，輕松上路。例如，阿里云某開發者商客戶，自行維護網站時，需要10人以上的專屬運維團隊，經常面臨網站高可用性、安全事件和設備成本投入等挑戰，遷移到阿里云平臺后，應用彈性計算、SLB、云盾和RDS等產品，其10多人的運維團隊資源得到釋放，可以補充到產品研發和運營中;網站高可用性得到提升;成本控制更具備彈性。

三、云計算平臺運營商運維之“重”

開發者商實現網站運維之“輕”，并不是網站運維的挑戰在云計算平臺上真的減輕，而是這部分工作由云計算平臺運營商來提供更專業的運維保障服務。讓我們撥開云霧，云背后所承載的運維實現構成了云計算平臺運營商的運維之“重”。“重”在這里有兩層含義：一是“量”之重，以阿里云為例，所有的云產品都運行在“飛天”大規模云計算平臺上，運維在保障這個平臺服務質量中扮演著核心角色，從運維人員組織、過程改進、系統優化到運維支撐自動化系統等，各個環節都緊密圍繞云計算平臺特性進行協同。如何實現云計算運維的最佳實踐，所涉及的技術難度、優化改進和操作強度在“量”上非常之“重”;二是責任之重，云計算平臺的服務質量，直接關系到其上承載的萬千開發商開發者產品的可用性、口碑和生命力。過去3年，阿里云的開發者，包括我們的客戶、合作伙伴，真正教會阿里云如何去實現一個云計算平臺，讓我們認識到所運營的云計算平臺，如何關乎開發商開發者切身利益，關乎生態系統的健康發展，責任“重”大。

四、云計算改變運維

云計算平臺服務端的復雜性和創新性，對于運維是個全新的挑戰，運維思路和方式都為之發生改變。這種改變不是簡單的在傳統運維上的優化，而是基于云計算特征孕育而生的運維重構;這種改變也并非一蹴而就，是隨著云計算平臺的發展過程，不斷演進，許多都沒有最佳實踐可循，是在摸著石頭過河中不斷積累經驗。相對傳統的網站運維，云計算平臺運維的主要特征如下：

集群是基本運維單位：組成云計算平臺的節點都是普通PC服務器，平臺的高可用性，不再借助傳統的高投入服務器硬件冗余方案(RAID、網絡雙上連、雙電源等)實現，而是通過云計算平臺自身的魯棒性保障。需要運維改變視角，從原來把服務器作為基本運維單位，轉變為以集群為基本運維單位。傳統運維場景下的“及時”維修服務器，在云計算場景下，可以“輕松”定期維修。而這種“輕松”，并不是對運維需求的降低，而是基于對集群整體容量和健康狀態的管理能力，即通過有效提煉、過濾各種服務器的個體運行狀態，映射出集群的整體狀態的能力。集群的容量管理、部署、監控、故障管理等運維任務，都必須以集群為單位進行。

大規模：單集群的規模，是衡量云計算平臺能力的重要指標之一。對于生產環境而言，云計算集群也必須達到一定規模，才能實現云計算平臺的高可用、低成本等真正價值。所以，在進行運維的規劃和實現時，都要以滿足大規模為必要條件。

可運維性是云平臺基本屬性：集群可運維性包括實現高效和大規模的部署、升級、遷移、擴容和故障管理等運維任務，是集群必須具備的能力。云平臺從第一天設計開始，就必須包括該屬性。開發團隊和運維團隊需要緊密協同，結合平臺和運維特性加以實現。云計算平臺，對于大規模集群的可運維性、可管理性，較之傳統運維，要求高很多，是集群落地的剛性需求。

規范化：要在大規模下，實現集群部署、遷移、擴容等管理，依賴于從IDC設計、網絡設計、服務器選型到云平臺實現的全局統籌的規范化，如同，統一“度量衡”，實現“車同軌，書同文，行同倫”。規范化構成了云計算One Infrastructure重要屬性。基于One Infrastructure的實現，把一批服務器從A集群遷移到B集群，只是在集群管理系統上對配置的遠程變更，而不需要物理服務器實際搬遷。

五、解構阿里云平臺運維

5.1.組織建設

阿里巴巴集團技術保障是“一個”團隊(one team)，阿里云、天貓、淘寶、etao、雅虎中國等阿里巴巴集團旗下產品，都由這個團隊統一進行技術保障。團隊的統一，可以確保運維體系的統一和運維資源充分共享。換言之，阿里云的運維體系、網絡質量、安全和支撐能力等和淘寶、天貓由同一個技術保障團隊護航，在同一個支撐平臺下實現。技術保障團隊組織建設分橫向、縱向兩個維度。其中，縱向按照技術職能劃分，主要包括基礎運維、應用運維、DBA、安全和平臺支撐等專業團隊，確保各領域的專業性和技術深度;橫向，為了保障重點產品和項目，打破了團隊界限，圍繞產品建立“護航小組”。例如，阿里云彈性計算護航小組，成員包括平臺和應用運維、DBA、安全和過程改進工程師，在2012年7月~8月CCTV 5+網站奧運保障期間，該護航小組貫穿容量管理、壓測、預案、性能優化、故障演練、重點賽事保障和資源彈性分配等全過程，之前團隊間的任務，在“護航小組”模式下，變為團隊內的任務，各角色緊密協同，發揮各自優勢，上下游通暢，其高效、專注的工作特點得到良好的成效。

5.2.過程改進

運維過程從左到右將一個產品的生命周期中業務研發，發布變更到生產運維貫穿起來。各個階段的流程均具備可量化的KPI指標，能夠清晰指示產品運維的健康程度和優化方向。例如，“生產變更提前計劃率”可以指示一個產品release的計劃性和規范性，避免因為發布管理不善，而引發線上故障的風險。這3年阿里云的發展，讓我們深刻認識到，因云計算平臺自身的技術復雜性、大規模等特點，故障具備全局性、泛洪等特點，規范的運維流程和制度保障至關重要。

5.3.支撐系統

云計算平臺和產品的高可用性實現，大規模、穩定、成本和效率之間的有效結合，都依賴于一套健壯、實用的運維支撐體系。服務于阿里云的運維支撐體系不是簡單套用ITIL，或拼湊開源運維工具，而是根據云計算集群大規模分布式的特點，由飛天和技術保障開發團隊自主研發，并不斷完善中的一套系統，其中子系統主要包括：基礎運維、配管、生產變更、故障管理、集群容量、監控、集群運維等部分。從快速部署一套包括幾千個計算、存儲節點的飛天集群，到監控集群上萬的任務和服務對象，運維支撐系統在可管理、可擴展、健壯性和自動化程度的提升，既是解放運維生產力的過程，也是云計算是否真正落地的重要標志之一。圍繞飛天平臺運維保障，從操作系統安裝、飛天平臺搭架、應用部署、變更發布、監控、容量管理、儀表盤(Dashboard)，都有專門的運維工具實現，工具之間并相互關聯和協同。

六、云運維面臨的挑戰

高可用!開發商開發者需要一個安全、高可用的網站環境開展業務，如何確保云計算平臺和產品提供高可用性服務，是我們一直投入最大力量之所在。以故障管理為例，據相關機構統計，2012年國際知名云計算公司，先后發生多起云服務中斷事件，此類事件的數量較2011年呈上升趨勢，故障影響的周期從小時到天級別。分析這些故障背后的觸發因素，包括代碼bug、IDC電力故障、網絡故障、設備故障、配置變更錯誤等諸多因素，可見云計算的風險隱患較之傳統網站并不少，結合云計算平臺自身所具備大規模等特點，故障在云計算集群因為規模化而存在被放大的隱患，故障恢復也因為海量數據等因素而延長，所以如何對于故障進行容錯、容災、有效隔離影響和快速恢復對于云計算運營商至關重要。面對這些挑戰，阿里云產品開發團隊和技術保障團隊，把平臺的高可用性放在最高優先級加以實現，這也是阿里云飛天平臺重要的核心競爭力。其中，集群多Master HA、熱升級、動態遷移、集群管理平臺等，已經在產品中普遍應用;技術保障團隊在故障預案、容災演練、工具自動化和應急響應等方面，在不斷改進和完善。

七、共創云運維生態系統

阿里云計算平臺是一個開發的生態系統，其中圍繞云計算的運維，是構成這個生態系統重要的生態鏈。從云產品開發商開發者的“輕”運維，到云平臺運營商的“重”運維，相得益彰，相互促進，才能打造健康的發展環境。這條運維生態鏈充滿潛力，例如可以為第三方運維工具開發商軟件提供商(ISV)、第三方運維服務提供商提供平臺，創造更細分和垂直的運維服務系統，豐富云生態系統，創造價值。以2012年11月的阿里云開發者大會為例，參賽作品中有相當比例是基于OSS和ECS等開發的管理類工具，這些第三方管理工具在云生態系統中，就可能找到自己需求方，從而產生價值。第三方運維服務商也同樣可以通過提供更細分、定制化的服務內容，在云生態系統中滿足開發商開發者用戶的個性運維需求。

云計算方興未艾，小荷才露尖尖角，精彩剛開始。運維作為云計算天然組成部分，會越來越展示其重要性，成為云計算核心競爭力之一。讓我們攜手所有的阿里云開發者共創一個健康、開放的云計算運維生態環境;讓阿里云計算平臺運維重如泰山，穩若磐石;讓開發者運維舉重若輕，輕松在路上。