01. 建設(shè)背景

某大型機(jī)場安全可靠、優(yōu)質(zhì)高效的運(yùn)行狀態(tài)離不開大量網(wǎng)絡(luò)基礎(chǔ)設(shè)施的建設(shè)和先進(jìn)信息技術(shù)的支撐。截至目前，該機(jī)場已經(jīng)投運(yùn)使用了9大平臺，100多個業(yè)務(wù)系統(tǒng)，部署在上千臺服務(wù)器上。同時應(yīng)用了大數(shù)據(jù)、物聯(lián)網(wǎng)、云計算、Docker、移動應(yīng)用等多種新技術(shù)。

隨著航空運(yùn)輸量的逐年增加，某大型機(jī)場信息資源規(guī)模日漸龐大，日常信息資源監(jiān)控管理出現(xiàn)了缺乏管理措施、告警有效性持續(xù)降低、監(jiān)控告警覆蓋度不足、缺乏持續(xù)運(yùn)營等問題。傳統(tǒng)的監(jiān)控工具已無法滿足管理規(guī)范和業(yè)務(wù)需求。

基于以上背景，該機(jī)場打造IT運(yùn)營管理平臺，完成自動化運(yùn)維工具、配置管理中心、IT服務(wù)管理中心、監(jiān)控告警中心等運(yùn)維工具的建設(shè)，實(shí)現(xiàn)運(yùn)維工具的打通，進(jìn)一步提升業(yè)務(wù)連續(xù)性和監(jiān)控故障處理效率，滿足未來運(yùn)維工作的發(fā)展需求。

02. 建設(shè)目標(biāo)

為解決告警管理問題，該機(jī)場通過引入嘉為藍(lán)鯨告警中心，實(shí)現(xiàn)告警生命周期管理能力提升，并期望達(dá)到以下目標(biāo)：

• 深化拓廣監(jiān)控、告警覆蓋范圍；
• 提升告警有效性和告警處理效率；
• 優(yōu)化管理措施，實(shí)現(xiàn)告警閉環(huán)管理；
• 通過告警治理，反向觸發(fā)監(jiān)控策略優(yōu)化治理；
• 實(shí)現(xiàn)業(yè)務(wù)連續(xù)性運(yùn)行，減少因業(yè)務(wù)日益增長帶來的業(yè)務(wù)故障。

03. 建設(shè)方案

1）告警統(tǒng)一接入，實(shí)現(xiàn)運(yùn)維場景聯(lián)動

IT運(yùn)營管理平臺以PaaS為底座，接入各種監(jiān)控系統(tǒng)的告警數(shù)據(jù)，實(shí)現(xiàn)告警數(shù)據(jù)統(tǒng)一標(biāo)準(zhǔn)和管理。基于平臺的CMDB、運(yùn)營大屏、ITSM和標(biāo)準(zhǔn)運(yùn)維功能，實(shí)現(xiàn)統(tǒng)一的告警生命周期管理。這一過程中，各環(huán)節(jié)與各運(yùn)維工具緊密交互聯(lián)動，不僅顯著提升了運(yùn)維效率，同時也為系統(tǒng)的優(yōu)化和改進(jìn)提供了寶貴的數(shù)據(jù)和深入的分析結(jié)果。

2）多告警源并行，提升告警覆蓋率

監(jiān)控的覆蓋面和完善程度影響告警的有效性和可靠性。在接入原有的Zabbix、帶外監(jiān)控、VCenter等監(jiān)控工具的基礎(chǔ)上，結(jié)合藍(lán)鯨監(jiān)控平臺的能力，增加服務(wù)撥測、日志關(guān)鍵字、業(yè)務(wù)個性化監(jiān)控、組件監(jiān)控、NTP監(jiān)控，全面提升告警覆蓋率。

① 多層級、多對象、多指標(biāo)、多維度的監(jiān)控

結(jié)合告警收斂和告警關(guān)聯(lián)，通過更多維度的告警數(shù)據(jù)和更完善的告警信息，輔助排查和定位故障產(chǎn)生的原因，實(shí)現(xiàn)了信息系統(tǒng)24小時運(yùn)行保障。

② 大屏展示業(yè)務(wù)健康，告警快速響應(yīng)

為保證業(yè)務(wù)正常運(yùn)行和運(yùn)維告警的及時解決，該機(jī)場對于告警的要求是告警空屏。

ECC值班含十多個服務(wù)商，有完整的值班體系，對于告警響應(yīng)制度和責(zé)任人也有完善的管理規(guī)范。為了能快速的響應(yīng)，在ECC值班室有一塊大屏，用于展示各業(yè)務(wù)的健康度，業(yè)務(wù)人員基于健康度情況快速響應(yīng)且處理告警。

告警產(chǎn)生以后，根據(jù)CMDB豐富將告警的歸屬業(yè)務(wù)信息補(bǔ)充完整，再基于業(yè)務(wù)維度做告警的統(tǒng)計，大屏展示所有的業(yè)務(wù)狀態(tài)。業(yè)務(wù)無告警的狀態(tài)時為綠色，當(dāng)有告警產(chǎn)生時，系統(tǒng)會根據(jù)告警等級在對應(yīng)的業(yè)務(wù)顯示健康度狀態(tài)，且會伴有提醒音，對應(yīng)業(yè)務(wù)的值班人員進(jìn)行響應(yīng)處理。ECC的值班運(yùn)維人員目的就是解決所有的告警，實(shí)現(xiàn)全屏健康的狀態(tài)。

③ 告警自愈，實(shí)現(xiàn)告警快速恢復(fù)

對于處理措施確定且重復(fù)產(chǎn)生的告警，如果等待人工響應(yīng)且處理，會導(dǎo)致告警處理時間延長。通過告警自愈的方式，自動觸發(fā)相應(yīng)的處理措施，以恢復(fù)正常運(yùn)行狀態(tài)或減少潛在的風(fēng)險。

在前期的運(yùn)維值班工作中，該機(jī)場已積累了部分常規(guī)且固定的告警處置方式。如部分非核心業(yè)務(wù)因進(jìn)程錯誤導(dǎo)致的告警，根據(jù)告警帶出的信息匹配處理策略，并自動執(zhí)行告警治愈，實(shí)現(xiàn)進(jìn)程重啟，快速自動修復(fù)告警，恢復(fù)系統(tǒng)的正常運(yùn)行狀態(tài)。

④ 告警治理，提升告警有效性及效率

監(jiān)控范圍的擴(kuò)大帶來告警數(shù)量的增多，如何通過收斂實(shí)現(xiàn)有效告警尤為重要。該機(jī)場通過打標(biāo)簽的方式標(biāo)記告警處置，定期對告警進(jìn)行復(fù)盤，將告警處理方式、告警誤告、告警策略不合理等情況進(jìn)行總結(jié)。并根據(jù)復(fù)盤信息優(yōu)化監(jiān)控策略、告警收斂策略、告警處理策略等進(jìn)行優(yōu)化和調(diào)試，逐漸提升告警有效性。目前告警命中率達(dá)到75%。

并通過告警的報表分析，對廠商、業(yè)務(wù)等告警處理效率進(jìn)行分析，通過配合考核指標(biāo)，提升告警的處理效率。

04. 建設(shè)成效

1）告警及時發(fā)現(xiàn)

告警通知的及時性提升150%，在告警產(chǎn)生1分鐘內(nèi)準(zhǔn)確觸達(dá)。減少了業(yè)務(wù)影響時間，提升了業(yè)務(wù)穩(wěn)定性和用戶滿意度。

2）有效輔助分析故障原因

通過告警的覆蓋率增加和告警的有效收斂，結(jié)合告警拓?fù)湟晥D和關(guān)聯(lián)告警等輔助信息，在告警產(chǎn)生后實(shí)現(xiàn)關(guān)聯(lián)分析排查，更快速找到告警的根因和關(guān)鍵，加速告警處理效率，減少告警影響范圍和時間。

3）保證業(yè)務(wù)持續(xù)性

結(jié)合監(jiān)控平臺，在原有的監(jiān)控系統(tǒng)基礎(chǔ)上，完善服務(wù)撥測、日志關(guān)鍵字、業(yè)務(wù)個性化監(jiān)控、組件監(jiān)控、NTP監(jiān)控，實(shí)現(xiàn)更多維度及更細(xì)顆粒度的監(jiān)控，告警覆蓋率達(dá)到90%。在未發(fā)生業(yè)務(wù)故障前就已經(jīng)發(fā)現(xiàn)了局部告警，并根據(jù)告警關(guān)聯(lián)分析判斷相關(guān)業(yè)務(wù)及其他關(guān)聯(lián)告警，及時解決，減少因多種故障積累導(dǎo)致的業(yè)務(wù)故障。最大程度上保障了業(yè)務(wù)的持續(xù)性。

05. 產(chǎn)品適用性

嘉為藍(lán)鯨告警中心適用于告警生命周期管理，結(jié)合企業(yè)組織架構(gòu)和業(yè)務(wù)需求，總結(jié)出適合企業(yè)提升告警覆蓋和業(yè)務(wù)連續(xù)性的方案。適用存在以下業(yè)務(wù)場景需求的企業(yè)：

• 監(jiān)控系統(tǒng)較多，沒有集中管理告警的系統(tǒng)，需要覆蓋告警方便管理；
• 值班人員較多或外包廠商較多，通知不及時或不到位的；
• 系統(tǒng)較多且運(yùn)維人員較多，告警產(chǎn)生后需要關(guān)聯(lián)分析盡快定位問題和人員；
• 有告警治理需求，系統(tǒng)通過告警治理優(yōu)化監(jiān)控指標(biāo)及運(yùn)維體系；
• 對業(yè)務(wù)連續(xù)性和用戶滿意度有較高要求。