突袭丨一次云上生产环境的大考
突然提示的业务告警
却又在几分钟内自动恢复
数个运维工程师正加急排查
……
一次云上生产环境的突袭正在进行
历时两周，华为终端云联合华为云开展了“突袭”演练，对生产环境近5000台云服务器进行软下线。此次演练，充分验证了华为终端云业务在站点级异常情况下的高度稳定可靠。每年，华为云在内部开展超过2000次混沌工程演练，并联合外部客户完成超过20次支付类、证券类、财经类等应用高可用演练。
华为云建立了全球运维团队，通过前端的高可用架构设计、动态风险治理体系以及智能运维工具，致力于让不确定性风险可防、可治、可控，保障了全球客户和超过370万开发者的海量业务稳定可靠。
专业可靠的运维能力，让客户笑言：“现在我们只要专注于业务运维，可以放心地把后背交给华为云。”
现网稳定运行的背后，是一群默默守护的华为云SRE（Site Reliability Engineer，站点可用性工程师）……
可靠组织文化
保障业务稳定运行
软件的故障、硬件的故障、机房的故障、甚至人的变更操作等故障存在，导致现网存在着大量的不确定性。
让华为云稳定可靠是SRE团队的使命，他们是华为云的质量守护者，助力客户提升应用稳定性，通过面向云服务全生命周期的质量看护，实现现网可预期的高可用质量结果，华为云SRE让现网中的不确定性变成确定性。
确定性运维
应对不确定故障
随着数字化的深入，业务稳定是千行百业的共同挑战。
当我们要出门，希望出行APP是可用的；当我们要预定餐厅，希望订餐APP是可用的；当我们在上班，希望生产工具是可用的……
不论是数字应用的开发者、运营方，还是终端APP的使用者、消费者，所有人对于数字化系统和应用的确定性保障都十分关心，希望故障间隔、恢复时长和影响范围都是确定的。
为此，华为云SRE提出了“确定性运维”基本理念，把云化带来的不确定性，通过运维变成确定性，不断夯实基础运维能力。
确定性运维作为华为云运维质量的指导思想，通过全面的质量管理，在现网实现确定性故障率、确定性恢复时长和确定性影响范围。
确定性运维能力是高可用架构、动态风险治理体系、高度智能运维框架形成的一个有机结合体，覆盖了应用从产品设计、开发到部署上线，再到日常运行的生命周期全过程。
高可用架构
确定性运维从架构上来看，包含确定性爆炸半径、确定性故障率和确定性恢复时长。其中，最大的优势是确定性的恢复能力，现网的故障往往是非预期，而华为云通过架构设计，采用黑盒方式恢复各种未知故障，达到从前端阻止故障发生。
将AI能力引入运维，以技术驱动实现风险提前冒泡，并及时主动清除；持续提升监控、定界与快速恢复能力，构建混沌工程等主动运维能力，通过现网不停地自动化注入各种故障，让现网的高可用的能力始终处于激活或者在验证的状态；用数据智能支撑运维工作的持续改进。
依托数据中台，结合先进的算法，实现智能告警、智能故障定界、自动恢复等。华为云智能运维平台在AI加持下，让华为云SRE可以更高效地服务客户。
共同构建安全稳定高可靠的确定性运维世界
华为云通过业界独有的“确定性运维”能力体系成熟度模型，帮助业内同行基于运维模式，对组织、文化、体系、能力、工具进行评估，衡量确定性运维的成熟度，共同探讨优化策略，推进运维能力迈向新台阶。
华为云SRE针对具体运维可用性问题进行专项提升，推出《华为云SRE确定性运维专刊》，开创一个交流平台，通过方案优化、经验分享等方式，相互启发与碰撞，助力客户提升应用稳定性，构建安全稳定高可靠的“确定性”运维世界。
未来，华为云将继续践行“一切皆服务”
实现确定性运维，让运维极简智能
并和更多企业一起开展
面向应用视角的稳定性提升工作
帮助企业在质量、成本、效率中寻找最优方案
构筑业界一流的软件质量
让企业业务在华为云上创新更稳定可靠！
- 点赞
- 收藏
- 关注作者
评论（0）