自動化人工故障修復機制
數據中心難免會出現這樣那樣的問題，靠人工發現不僅速度慢，而且容易誤判。不妨將這個識別工作交由軟件來處理。首先，要建立一個故障模式庫，長期積累各種曾經或者可能會出現的故障預判、識別，這個故障庫內容要實時保持更新，不斷將一些新的故障類型和經驗輸入進去。其次，將故障判斷的方法告知軟件設備，由軟件自動完成判斷，軟件根據從數據中心各個設備收集上來的運行參數，與故障模式庫里保存的參數進行對比，如果發現有相同的，認為是數據中心出故障了。最后，數據中心可以采取告警方式通知運維人員，也可以由軟件執行一鍵式修復。這個取決于業務的重要性以及數據中心故障經驗積累的豐富性，萬一恢復動作錯誤，可能會引發二次故障，給數據中心帶來更大的損失，所以修復機制一定要慎重，非緊急的業務故障不建議采用自動修復，待人員確認之后再去手工執行修復。實際上，云計算的引入增加了數據中心故障自動檢測和修復的難度，所有的應用業務都已和物理硬件設備脫離，形成了一個純軟件的虛擬世界，復雜的虛擬系統給故障的排查和分辨都帶來了難度，這給自動化人工故障修復帶來了極大挑戰。不過，數據中心運維走自動化的路已不可避免，過多的人力成本對于任何一個高速擴張的數據中心都無法承受。
日志和監控信息集中管理與控制
傳統數據中心中，各軟硬件系統的日志監控信息往往相對零散孤立，沒有實現與業務和用戶的自動關聯，當出現故障時，甚至還需要依此登錄到每臺設備上去排查，效率低下。在有些數據中心雖然部署了網管系統、日志服務器，依然需要人工檢查。當數十萬的設備同時輸出日志時，海量的數據根本沒有辦法進行檢查，這時就要統一對這些信息進行分析和判斷。很多數據中心建設運維管理云平臺，就是要將這些海量數據進行統一處理，依然是通過提前設定判斷條件，然后發現不符合常規的日志及時進行告警。云平臺的判斷條件忽略了日志告警的設備差異，只關心對業務有影響的日志信息，設計一些特有的判斷故障的條件，這些條件需要和各種設備廠商溝通好，證實這些判斷是有效的，然后在云平臺中部署。云平臺的功能很強大，僅僅是依靠設備主動輸出日志來診斷是遠遠不夠的，它還可以主動從數據中心的任何一個環節采集監控信息，這些監控信息可以實時反映整個數據中心系統運行的綜合狀態，一旦出現異常的參數或者有變化的數值，就要引起警惕，輸出告警。
大數據的機器學習機制
傳統數據中心的故障發現與修復建議的處理，主要依賴云平臺收集的日志和監控信息，通過運維人員長期積累的歷史經驗進行判斷，人的行為是最不可靠的，很多時候經驗都是錯誤的，而機器則不會出錯，只要你給它足夠的學習信息，它就可以做出正確的判斷。最近Master很火，Master是一款會下圍棋的機器人，在最近的圍棋比賽中，取得了60勝1和的成績，1和還是因為掉線被系統判和，落敗者包括聶衛平等頂尖圍棋高手，這說明只要給設備足夠的學習時間，它的智慧可以遠遠超過人類。運維的管理也可以引入機器學習技術，通過對數據中心運維海量數據的分析，利用大數據建模，自動化地、智能化地挖掘出更多高價值的、運維人員認知范圍外的故障模式與系統優化模式，從而進一步提升系統運維的效率。通過大數據機器學習，對大規模運維場景下的性能與故障規律分析、趨勢預測及故障根因識別定位，提升機器自動化運維的能力，最終其將超過人工運維的判斷準確性，就像機器人下圍棋一樣，最終機器運維數據中心也要大大超過人們自動去做。人們只要去研究如何讓這些機器正確學習，學習好就可以了。
顯而易見，云數據中心新的自動化運維技術特點主要是：自動化、自學習。由機器自我學習，自動完成數據中心的運維和故障修復。未來的數據中心雖然規模更大，系統更復雜，但在運維的管理上要從簡，實現自動化運維管理。數據中心運維將人的因素排除，讓數據中心形成一個完全的自治系統，實現成為真正的無人數據中心。當然，數據中心的自動化運維還有很長的路要走，沒有哪個數據中心能夠真正脫離人工參與。這就像自動駕駛汽車技術發展一樣，技術復雜，并徹底改變了現有的生活方式，要人們接受需要很長時日。對于數據中心也一樣，自動化運維技術雖好，但仍不夠成熟，很多人持觀望的態度，但愿未來這類技術可以很快完善起來。
京公網安備 11010502049343號