不做保姆式运维，从容接手新业务运维工作

如何接手一个新业务的运维工作？有些东西我们还是要把话说在前面，以免前期不明确造成后期工作的混乱。

1、前期沟通

首先，我们要先跟研发Leader沟通，灌输运维理念，把丑话说在前头，我们不做保姆式运维，我们要致力于线上服务安全、稳定、低成本、快速迭代，从运维视角提高产品力。

开发机、测试环境，研发自己搞，我们可以协助帮忙，做专业的咨询服务，但不可能让我们直接操刀开发环境的变更。

2、业务概要了解

了解业务相关的人：对应的研发同学、研发Leader、测试同学、测试Leader、产品经理分别是谁，联系方式存下来，拉个群，出了问题可以找到对应的人。

了解服务是干什么的：解决了什么问题，业界有对标的开源产品吗……方便我们快速认识这个产品。

了解服务的上下游：依赖哪些服务、哪些服务依赖我、对应的接口人是谁……这里先简单了解一下即可。

了解服务部署情况：部署在哪些机房、用什么语言编写、基础网络、专线带宽、机房出口是否靠谱、是否曾因基础设施导致过问题，当前主要痛点是什么。

3、业务串讲

要求研发同学（或者上一任运维同学）准备PPT，做一个业务串讲，讲解一些研发同学希望传达给运维同学的信息，同事也讲解一些运维同学希望从研发这得到的信息。

比如：详细部署拓扑、服务整体架构、数据流、提测变更流程、监控方式、部署到了哪些机器、机器登录方式、每个机器上是什么模块、OS参数是否有调优，考量是什么、用到了哪些第三方软件，考量是什么，再比如为什么用了Tomcat而不是Resin、相关Wiki、故障处理预案、常见故障、当前线上问题……

如果业务有单点，不接，让研发改造。如果运维的老板的老板强制要求，丑话说前头：因单点导致的问题，运维不背锅。

4、资产梳理

正式准备接手前，第一步，梳理资产。

比如用到了哪些域名，这些域名对应哪些业务、哪些虚IP，分别是提供了什么服务、哪些机器，分别部署了什么模块、业务在哪些机房、用了多少带宽、总带宽情况、是否有其它业务共用争抢等。

机器需要拿到更详尽的信息，比如机器配置、机架位、IP、管理卡IP等等，公司应该有个CMDB供查询。如果没有，运维同学，需要你去构建这个CMDB。

后面要考虑机器是否需要有备机、备件，机型是否可以统一。

5、基础监控

知道有哪些资产了，就可以对这些资产做监控了，比如域名连通性监控/延迟监控、虚IP的连通性监控/延迟监控、机器宕机监控、机器硬件监控、sshd/crond等系统进程监控、系统运行的进程总数监控、系统参数配置监控。

6、服务梳理

吃透之前串讲时给的架构图、数据流图、部署拓扑图。从运维层面，最好还要知道公司网络拓扑图。

了解每个模块的情况，部署在哪些机器上、部署在哪个目录，用什么账号启动的、日志打到哪里了、用什么语言编写的、怎么上线的、主要吃CPU资源还是内存还是磁盘还是IO、需要预留多少资源、平时利用率是多少、应该配置多大的阈值做监控、是否需要watchdog自动拉起、日志里出现哪些关键字需要报警以及其他各种需要注意的问题。

7、业务监控

基本的进程、端口存活性监控，机器利用率监控、日志关键字监控、日志不滚动监控、关联的服务的监控等等，后面会做API粒度的监控，来推动业务优化。

8、标准化改造

机器命名方式、操作系统发行版、OS版本、第三方软件，比如JDK、Tomcat、Nginx，都要统一，要做标准化方案。

服务扩容、变更、下线做一键化，每次升级只需要给个版本号即可，此时研发操作还是运维操作效果一样，故而可以交给研发上线，释放运维人力，权限要控制好。

重复的常规操作也要固化成脚本，一键完成。

梳理故障自愈场景，看平时有哪些故障的处理方式是固定的，抽象为脚本，报警之后自动触发，无人值守处理。

公司如果有一些基础设施，比如名字服务、MQ、日志平台，推动研发改造，将新服务接入。如果公司还没有这些基础设施，作为运维这个角色，可以着手搞起。

9、SOP梳理

故障预案是一个非常重要的事情，线上没出故障之前，就应该提前去想，服务可能会出什么故障；如果真出了，应该如何处理，要把处理步骤提前记录下来。毕竟，线上出故障的时候，人都比较紧张，直接看着预案处理，就踏实不少，不容易出错。

10、故障演练

光有预案没有演练，是不靠谱的，没有经过验证的预案是不可信任的。所以，搞个放火演习，把模块搞挂试一把，把机器搞挂试一把，对线上稳定性绝对会有提升。

特别是研发说这个模块挂掉，可用性肯定没影响，OK，先搞挂试试，结果很可能会打他脸。

有些场景演练是会有损的。那这种场景还要不要演练？

这个需要case by case地看。大部分情况都是要做演练会更好，毕竟，人在这盯着的时候出问题，比晚上睡着了出问题要强太多。当然，大规模基础网络故障这种演练，还是算了吧，通常的业务都是不具备机房级容灾的。

上面做完了，基本工作就完成了。上面很多事情都是一次性的，那未来的大把时间运维做什么？

除了再花费部分时间做线上问题处理，我们应该把主要精力来提升业务产品力。做精细化运维，还记得运维九字真言么？“安全、稳定、高效、低成本”，这就是我们的工作方向。下面会举几个例子。

11、再谈业务监控

上面谈到过一次业务监控，主要是一些通用的监控指标。我们对产品了解足够之后，应该做一些业务特有的监控，推动研发去做也可以，达到效果就好。

比如你运维了一个MQ，消息堆积量是需要监控的；比如你运维了一个RPC服务，提供了三个接口，这三个接口的响应时长、成功率是需要监控的；再比如你运维了一个S3服务，每个桶的短期带宽增量你是需要监控的……

现在有那么点感觉了么？

12、API成功率、延迟统计

在流量入口的Nginx做所有业务线的所有API的成功率和延迟统计是非常有必要的。把成功率比较低的TopN找出来，把延迟比较大的TopN找出来，让业务去优化。老板会喜欢这个的。

13、线上问题梳理

整理线上所有问题，挨个解决，运维可以搞定的运维搞定，运维搞不定的找研发要排期，弄清楚每周解决了多少问题、还有多少问题待解决，用周报的方式体现出来。

14、成本优化

通过服务混部、或者统一的资源调度平台来节省机器资源，一台机器便宜的也要好几万，这个事是比较容易有产出的。

15、容量规划

容量规划和成本优化实际是紧密相关的，容量规划的重点是根据自然增量和运营需求，提前规划准备相应的容量。容量可能包括带宽、专线、网络设备、机器等等。当业务量下来的时候，可以腾挪相关资源支持其它业务线，让这些硬件尽量满负荷运转，物有所值。

业务精细化运维可以想出各种事情来搞，除了做这事，另一个需要长期投入的是构建运维基础平台，像监控系统、部署系统、产品库、资源利用率平台、域名管理、四七层接入配置平台、日志平台、Trace系统等等……

嗯，其实运维还是挺忙的。

16、关于沟通

最后说一点，接手一个新业务运维，势必与研发有各种沟通，每次沟通都要写会议纪要，发邮件出来，跟进人、时间点等都要写明白。

邮件发送双方团队邮件组，cc各方老大。事后关键节点做Check，如未完成，线下沟通，达成一致后追此邮件给结论，说明延期原因以及新的时间点。如果沟通不畅，让老大去协调。

我的看法基本就是这样，如果大家有其它的观点或是更好的建议，也欢迎在留言区一起交流。

作者：秦晓辉

来源：https://www.jianshu.com/p/65a01b5d61c7