案例|上海银行数据中心智能运维建设实践

覆盖全了吗？
时效性高吗？
告警有效吗？
处置及时吗？
使用便捷吗？

每次开完分析会，我就会带一个大礼包回去，整改、梳理、优化。

——上海银行数据中心 郑晓

本文整理自上海银行数据中心郑晓在2022Zabbix峰会演讲分享。ppt可在公众号后台回复“ppt".

1、运维监控现状与挑战

其实做监控，一直被有领导问到这几个问题，你覆盖全了吗？生产上有1,000台主机，你能保证一台都不落吗？时效性高不高？生产上有一个告警出了，生产上有个故障，你1分钟之内能够发现它？告警有效吗？你们是不是一个“狼来的孩子”？处理有没有及时？报警出来之后你们多快速度能够解决故障？使用便捷吗？他的平台的UI是否好用？对客户是不是友善？

我觉得大家都应该会碰到这些问题。解决上面这些问题，不像我们今天这么轻松。很多问题是出在什么时候？故障分析会的时候，我就发现一个规律，每次开故障分析会，领导和我是必到场的，其他的一线都是流水的。每次开完分析会，我就会带一个大礼包回去，整改、梳理、优化。每次带大礼包回去，时间长受不了，会折腾死人的。

基于此，我们痛定思痛，决定从几个方向对我们的平台进行一次优化，一共5个层面。

第一，集中化，即我们对所有的数据进行集中，因为之前数据可能会分散有各个专业的数据，比如说有OEM的数据，系管的数据，网管的数据，都没有做整合，那第一要做的所有东西，数据的集中是基础。

第二，智能化，通过算法来提升故障异常感知的能力。

第三，标准化。数据的规范，指标的体系，这些标准化自动化，提升我的故障处理时效。

最后，可视化。可视化提升，大家有更好的界面去看。

基于这些，我们重新设计运维体系架构，一共分为4层。

最底层，就是所有的IT资源,倒数第二层就是采控层，采控层包括我们和所有基础IT资源打交道的那些应用系统，比如说日志采集的flume，自动化的Agent，我的自动发布的NCB，以及当然还有最主要的Zabbix。

还有专业的管理平台，比如说网管、系管也对他们自己的专业平台有采控的功能。再往上是我们的两个能力中台，数据中台和管控中台，数据中台承载的所有下面采集的数据往上做聚合、计算梳理这么一个过程，包括机器学习，集中告警，了多维分析。

所有东西都会聚合到它