从运维故障中你都学到了什么？

一阵急促尖锐的铃声响起，王一搏忐忑不安地接起电话，被告知系统有20台服务器批量重启。

20 台！批量重启！意识到问题的严重性，王一搏迅速调整好状态，准备投身一场激烈的救火工作中。

然而事件的走向却远远超出预期.....请看word VCR。

P1-故障发现

一，上午9点监控系统异常报告：20台服务器批量重启。

值守专家推测2种可能：一是内网i53主机硬件告警，初步判断是X86设备i53发生故障，导致设备上的虚拟服务器进行迁移重启。

而通过告警详情，显示磁盘运行正常。推测排除。

二，在批量重启中，内网i54主机硬件-x86-温度状态异常告警。    

定位问题，进一步求证。

P2-准确定位，快速解决

二级moc工程师登录主机管理软件。发现i53、i54两台主机的虚拟机服务器批量重启时间与内存PCH和PCLe同时温度状态异常告警相符合。

基本锁定内存故障。沟通更换内存条后，故障再没有出现，问题解决。

在故障处理的整个过程中，王一搏只接了两个电话，一个是告知系统故障，一个是提醒更换内存条。预想的问题排查，专家会诊，故障定位和技术支持乃至通宵加班......竟然一个都没有出现，故障就这么轻松解决了。

实际上，除了紧急问题的处理效率，从全年的数据上看，管家式运维服务也是颇有成效，例如，全年没发生过一次非计划性停机时间，过去每年总会有十次八次的出现；告警问题更是减少65%以上，运维事故减少80%......运维工作再也不用又肝又氪，放得下手机，拿得起报告，从业七年终于对齐了工作颗粒度。   

故障教会了什么？最直接有效的是利用好工具！

用好工具，能够准确的事前预测，被动救火转变为主动预防；

用好工具，能够获得准确的告警信息，便于快速定位解决问题；

用好工具，能够共享行业技术发展成果，AI场景化落地，更快、更准，更高效！

这就是LinkSLA智能运维管家的核心服务——管家型运维平台。

 一站式监控

通过构建统一监控平台，对业务系统和IT基础架构进行统一监控和集中管理，可实时掌握系统、设备的运行状，通过可视化大屏可直观地查看。

平台支持集中对象展示与自动分类展示，可直观了解当前IT系统运行状态，运维人员无需单独登录每个系统、检索个别设备，监控和管理相结合，提高IT系统及设备的整体运行质量，增强IT基础设施运行的稳定性和可靠性，同时提升信息部门的IT管理水平。

 风险感知能力

包含故障告警与风险预测。

故障告警针对突发故障情况，如硬件损坏、网络中断等不可预知、不可抗因素，通过实时监控和发送告警信息，提醒运维人员响应故障解决。

风险预测主要针对资源消耗，如存储消耗、CPU性能消耗等，通过AI算法，预估资源消耗趋势，推算出阈值告警触发时间，事先做好资源配置，提高系统的稳定性。

 可视化能力

将复杂的数据转为易于理解的图表，如可配置的网络拓扑、业务拓扑，及时反映重点关注的如网络健康状况、专线链路状况等。当出现异常时，可以快速定位故障，大幅缩短故障定位、排查时间，并为解决故障提供有效依据。

 moc值守服务

moc提供7*24在线值守，并配备二线专家团队，提高事件的响应及处理效率，大大降低人力成本和专家技术成本。

 个性化报表服务

满足客户个性化需求，平台内置报表功能，可针对特定的业务系统，提供日报表、周报表，展示数据趋势，以及性能分析结果；也可以通过告警统计功能，从不同的视角观测系统健康状况。

以智能驱动运维精细化管理，统一监控构建全面的IT资源梳理和实时告警的智能运维模式，帮助用户实现功能完善，效率优先的运维支撑，推动用户信息化发展。