我是来自希望金融的运维工程师齐骞，今天给大家带来我们在运维自动化上的一些探索和实践。

我们是一个面向三农的互联网金融平台，目前所有服务均布署在阿里云，使用了ECS、RDS、SLB等服务。2017年总交易额超过了70亿，业务的特点决定了我们必须采用高效、稳定、安全的运维手段，同时因为工作量大，这也使得运维团队需要采用一些自动化的手段。

分享大纲：

希望金融于2015年3月18日上线，最初我们的架构如下图：

我们在跳板机上放置了一些脚本，利用这些脚本来升级，但这样效率其实很低，每个部分从升级到验证再到生产大约需要一个小时，升级过程中网站还不能对外服务。而且对于前端负载均衡的权重，我们一开始是在阿里云控制台页面上调整的，整个过程重复性的劳动非常多，也容易调错权重。在这个架构的基础上，我们就研究阿里云的API，写了一个脚本，直接通过脚本来控制各节点的权重。

在当时我们的业务还不多、升级也不频繁的情况下，这样还是很方便的，但随着业务的发展，这种做法就非常不合适了。

所以，随着业务的发展和对架构的调整，我们也开始寻找更高效的解决方案。

我们对系统的架构做了一些改动，在前端和后端之间加了一个 DNS，用来修改指向的后端，然后把原来的脚本迁移到了Rundeck上，这样我们只需要在页面上点点鼠标就可以完成代码的分发、对SLB的操作，还有对DNS的操作。

这里提一下，我们用了NamedManager，它实际上是提供了一个基于SOAP的接口，但那个实现存在一些 bug，不是很好用，我们采取的是直接修改数据库中的相关内容。然后在原有的SLB的基础上，我们又增加了一个用于灰度测试的SLB，开发人员在进行验证的时候就有了专门的入口。

这时我们就可以实现不停机地平滑发布了。但仍然存在一个问题，有些服务并不是放在后端的，而且升级过程中也不容易控制各个服务启停，于是我们对架构做了进一步的调整。

这个是我们现在的一个架构，我们使用了 API 网关，在原有的Rundeck基础上，又增加了Ansible用来处理一些更复杂的情况（相关的情况后面会展开讲）。相比于用 DNS，API网关可以精确地控制服务的启停，这样我们的升级和维护就更方便了，顺带也解决了后端高可用的问题。

从开始到现在，我们的效率从升级一套系统需要花费1个小时，还要加上停机的代价，发展到了可以在2小时内升级5套系统或者服务，而且基本不需要停机。

运维自动化和系统架构是一个互相依赖互相促进的关系，在系统架构变动之后，运维自动化相关的一些工具需要及时跟进；同时，好的自动化设计也有利于架构的稳定安全及可用性。

1、Ansible应用

先说一下我们对Ansible的应用。除去升级，毕竟是金融方面的服务，对系统安全的要求是很高的，而我们服务器非常多，如果人工检查一遍，大概就什么工作都不用干了，而且还容易遗漏一些检查项。

于是我们就利用Ansible运行一个巡检脚本，如果某台机器出现一些不正常的情况（比如说新增了一个监听端口，部分重要文件被修改了）就会发出报警。再就是我们新增服务器时，有一些系统参数和组件要根据需要初始化，这个也是通过Ansible来完成的，同时也可以完成一个基本运行环境的准备，比如 Nginx、Tomcat、Node.js等。

系统某个组件出了问题怎么办？我们利用Ansible对系统进行批量处理，比如批量升级系统组件、打补丁等操作。

现在我们对一些新的服务也采用了Rundeck调用Ansible升级，降低了编写脚本后的调试难度。

2、定制常用服务组件

除去Ansible的应用，为了提高环境准备的效率，我们对常用的服务组件进行了定制。比如我们对自己所使用的OpenResty（Nginx）就加入了一些实用的第三方插件，还有Tomcat为方便进行性能监控加入了JMX模块。

3、定制操作系统

仅仅定制服务组件，仍然不够。我们对操作系统也进行了定制，加入了 Zabbix和Splunk Forwarder，内置了Ansible的SSH证书，然后制作成镜像。这样我们就可以非常方便地扩展系统的规模，从初始化一台服务器需要1个小时到现在可以在5分钟内同时完成多台服务器的布署，在紧急扩容时非常好用。

4、企业微信应用

以上这些尝试对提升运维工作效率来说，其实还可以做地更好一些，我们就打起了企业微信的主意。除去常见的告警信息，我们还做了一些信息查询和数据报表方面的小应用以及一个“一站式”运维平台。

这里介绍一下我们的手机运维平台——悟空。

我们将一些常用到的操作放在悟空里，这样就算电脑不在身边，遇到一些问题我们随手就可以处理。这个工具也是利用了Ansible对服务器进行操作。

我们在工作过程中也做出了一些非常实用的小工具，这里开源出来方便大家使用。

1、3个开源组件

• Splunk微信告警脚本，在做一些告警方面的操作时，可以直接用来对接企业微信。

• 针对 Namedmanager 添加记录的 Python 脚本，前面我说过 Namedmanager 的 API 实现有一些 bug，这个我们利用了其它方法。具体的实现，大家可以研究一下代码。

• 通过Zabbix来监控阿里云 RDS 的一套脚本和模板，这样就可以集中分析系统性能，免去登录阿里云控制台来看相关的性能信息了。

以上工具可以访问https://github.com/XWJR-Ops获得，也欢迎提出更好的建议。

2、日志备份工具ModuleAB

最后介绍一下由我们运维团队自主研发的基于阿里云OSS和OAS的备份工具——ModuleAB。

ModuleAB分为两个部分：

• 用于管理的Server和分布在各服务器上的Agent，Agent通过Inotify监控指定目录下文件的变化。当某个文件完成写入后，Agent自动进行压缩并上传OSS备份，同时向Server提交备份记录；

• 而Server可以设定一些策略将OSS中比较老的文件转入OAS进行长期存储。在需要时还可以将OAS中的文件重新提取到OSS中以备恢复。

目前这套系统还处于公测阶段，很多功能需要优化和完善，望大家多多指教。

ModuleAB项目主页：

https://github.com/ModuleAB/ModuleAB

为了提升工作效率，我们团队从最初的找现成的工具，到对工具进行改造，再到自己开发一些工具，整个过程的体会是：运维其实不是一个很容易出彩的工作，同时也是非常辛苦、非常累的，但仍有很多人不知道运维是干什么的。

但对运维人员而言，运维也不仅仅是切切实实的每一次升级、每一次故障排除，其实它可以是一套成体系化的方法论、一种解决问题的思路。如果能从提升工作效率作为一个切入点，不仅能减轻不少自己工作的负担，还也能学到很多有价值的东西，也会活得更有成就感。