小米自动化运维平台演进设计思路

现如今，随着云计算和分布式的落地和发展，越来越多的服务器都转到云上，微服务架构的落地也让现在的 IT 系统架构越来越复杂。我们的服务、应用所面对的规模也越来越大，这样的需求需要强大的运维管控系统在后面支撑。

智能运维（AIOps）的概念现在很火，旨在借助人工智能机器学习和算法将 IT 运维人员从繁重的工作中解救出来，但是对于智能运维大家都在探索当中，AIOps 的技术并不是很成熟。大多数企业还处在对自动化运维的需求迫在眉睫的阶段，需要运用专业化、标准化和流程化的手段来实现运维工作的自动化管理。因此本次 InfoQ 记者采访了小米资深架构师孙寅，和大家一起了解小米的自动化运维平台是如何演进的。

背景介绍

小米自动化运维平台从 2013 年开始建设。截止目前，小米有 300+ 业务线，5W+ 服务器规模。6 年里伴随着互联网业务的陡峭增长，小米运维平台也发生了天翻地覆的变化。平台整体建设情况大致可以分为三个阶段：

1. 工具型平台（2013~2014 年）

这个阶段，平台主要在解决一些基础痛点问题，如资产难以管理、软硬件难以有效监控、人肉发布效率低下错误率高等，因此孵化了 CMDB+ 服务树、监控系统（Falcon）、发布系统等几个一直沿用至今的 工具 型平台的核心组件。并且借助推广这几个核心组件，对业务进行了基础标准化。

2. 体系化平台 （2014～2015 年）

在此阶段，团队逐步补齐了整个运维闭环中的各个环节，如预算交付、OS 自动安装和环境初始化、域名、负载均衡、备份等。并通过打通运维闭环中的各个环节和体系化设计，建设起了跨越系统的自动化体系，如服务器交付自动初始化、各种场景的监控自动发现、发布和负载均衡变更联动等等。

3. 数据中心操作系统（DCOS）（2016 年至今）

在此阶段，以容器 PaaS 为标准化载体，构建自动化程度更高、能力更丰富、体系更内聚的基础架构生态系统，包括：

• 监控：丰富细化了各种具体场景的监控，如：

  1. 公有云、网络设备、南北 / 东西网络、域名、负载均衡、容器集群等；
  2. 端到端访问质量监控，模拟用户真实访问发现最后一公里问题；
  3. 分布式调用跟踪监控，穿透式跟踪故障点；
  4. 精准报警和根因分析，整合各类型监控，依赖决策树、机器学习等能力自动寻找根因。

• 服务组件：自助创建集群，自动配置最佳实践，具备故障自愈能力的服务组件，如 MySQL 、 Redis 、 Memcached 、Kafka、ES 等；

• CI/CD：打通整个开发、测试、交付链条的自动化 Pipeline；

• 服务治理：流量路由、流量镜像、服务保护、白名单、熔断、链路跟踪、服务拓扑；

• 故障：故障注入、故障自愈、故障跟踪。

平台架构设计

小米自动化运维平台的整个平台体系架构，可参考下面图示：

• 图示底部是 IaaS 层的各种资源及其管理平台，如网络管理、多云接入、域名、负载均衡等。

• 上面承载了庞大的 PaaS 体系，划分为四大部分，容器、应用、服务治理、故障容灾。

• 左右两侧是一些公共能力，如 CMDB、监控、安全。

配置管理（CMDB）由于和内部资产、环境、流程有比较紧密的耦合关系，业内也并没有比较成熟的开源实现，因此基本完全自研。

部署发布系统使用了 Puppet 对运行环境进行变更和管理，植入了 God 为每个进程提供自动恢复的能力，使用了 Docker 来解决编译一致性的问题，同时也支持了静态发布 Docker 容器。

小米早期使用了开源监控系统 Zabbix，但由于监控规模得扩大、监控场景得复杂化、配置难度大等原因，我们内部自研了监控系统 Falcon，也就是业内著名的企业级监控 Open-Falcon。随着使用场景得继续丰富，目前也已支持监控数据旁路到 ElasticSearch、仪表盘支持 Grafana，同时还在探寻数据存储使用时序数据库 Beringei，以支持更好的扩展性和便于实现更丰富的报警判别功能。

平台建设的难点

由于整体建设的规划比较清晰，因此并没有比较大的挑战，如果一定要找，可能在于一些魔鬼细节上面。比如：

1. 灵活的服务树设计，并未能解决组织架构频繁变更后带来的树结构混乱，同时因为体系中的各种系统都与服务树有很强的耦合，以致后期不得不想办法构建一棵新的组织结构树，来为服务树“打补丁”；

2. 忽略了服务命名的 POSIX 规范，以致于一些严格遵守命名规则的开源组件出现了冲突。

标准化的问题，是所有平台体系的共通问题，无标准，不平台。早期平台标准化的主要有三个方向：

1. 服务命名，这个标准主要是通过服务树来完成的，体系中的各种系统也都统一使用相同的服务命名规范，因此服务命名逐渐就成了事实标准；

2. 服务目录，这个标准是通过部署发布系统来规范的，使用该系统的服务，会自动按照相应的规范生成目录。目录的标准化，也继续推进了其他和运行环境有关的自动化系统的演进；

3. 监控方法，这个标准是通过监控系统来实施的，各种类型场景的监控，都以遵循监控系统的监控协议来上报，并可实现为监控系统的插件。

后期在 DCOS 阶段，由于服务都在容器云内调度，运行环境高度内聚，很多标准可以由平台自动生成，标准化也就因此变得更加容易。

整个平台体系的设计思路一以贯之，各个系统间有很多联合设计，以完成更长路径的自动化，而不仅仅解决每一个原子事务的自动化。例如：

• 预算交付系统，和服务树、监控系统配合，达到自动监控基础监控项的能力；

• 域名系统、负载均衡系统、云对接系统、发布系统配合，达到自动配置管理接入层的能力；

• 还有，动态 CMDB、分布式跟踪、决策树配合，得到故障精准定位能力。

平台实践

小米的自动化运维平台主要指的是容器云平台。众所周知，基于 Docker、Mesos、kubernetes 等开源组件实现的容器云平台，天生具有资源编排能力，对无状态应用的扩容也无比简单。

资源协调方面，我们增加了基于 LVM 的磁盘空间资源，以及基于 tc 模拟的带宽控制资源，用于更精细化控制容器间的资源隔离。

扩容能力方面，小米的实现有一些时代的烙印，也有一些巧妙之处值得借鉴：

1. 早期使用 Mesos 的 Batch 任务框架 Chronos，来实现定时扩缩容能力。这种方式比较巧妙地解决了实现定时难以解决的分布式容错问题；

2. 用 Falcon 的集群监控策略 + 触发钩子，作为自动扩缩容的条件，这样继承了业务已有的监控指标和监控策略，同时还可自动作为抑制报警的条件。

举例说明这种方案的联动效果：

上图为某服务的自动扩缩配置，由于业务代码按照监控标准，已上报了 JobAlarmCount 指标，因此系统可与监控系统对接，直接使用该指标自动生成集群监控策略，并以此作为自动扩缩容的触发条件。

该例中当 JobAlarmCount 的集群平均值连续 1 次大于 100，就触发扩容，每次扩容 5 个实例，当连续 5 次小于 5，就触发缩容，每次缩容 2 个实例。每次触发扩缩容，都通过报警机制发送到 uic.dev 报警组，同时扩缩容的上下限，分别是 50 和 20。

这样的自动扩缩容配置，可以在业务出现容量问题时，快速（连续 2 次）触发扩容，当业务恢复正常后，平缓触发缩容。同时实例数量的上下限，用于保护资源和业务的可靠性。

小米自动化运维的技术探索

前沿技术方面，小米自动化运维目前主要在探索这样几个方向：

1. 混沌工程：对于每天层出不穷的可靠性问题，依靠人（SRE）的经验每天去排除，是既不靠谱也不经济的方式。混沌工程是把经验转化为探索规则，对在线系统进行或计划或随机的应用探索，来学习观察系统的反应，以发现系统不可靠因素的工程体系；

2. Service Mesh（服务网格）：通过把 RPC 框架可以完成的功能，下沉到基础设施层，以便统一迭代建设，同时解决多语言栈难以统一的痛点；

3. 故障精准报警（根因分析）：业内有工程和机器学习两个流派，我们选择工程派，用动态 CMDB+ 分布式跟踪 + 决策树来寻找根因；

4. 故障自愈：在根因分析的基础上，通过构建灵活的预案构筑框架，逐步提升可故障自愈的比例。

写在最后

结合小米几年间自动化运维平台建设的经验，孙寅认为，当前这个技术时代，不管企业规模大或小，都建议不要绕开开源自造轮子。如果企业规模小，直接用开源组件来解决企业痛点，如果企业规模大，可以改进或借鉴开源组件以解决性能和扩展性类问题，将各种开源技术组装、二次开发来解决复杂场景里的功能需求。

同时无论起步处于哪个阶段，都应该自订标准，因为开源组件仅是解决某一类问题的痛点，但标准是未来让组件协同，解决整体复杂场景问题的基础。

作者简介

孙寅，前百度资深架构师，曾负责百度运维平台多子系统；现小米资深架构师，负责小米运维体系基础架构、基础平台。