数字化安全生产平台DPS重磅发布助力传统运维向SRE转型 - 周洋.pdf

1、数字化安全生产平台DPS重磅发布周洋阿里云智能资深技术专家，高可用架构负责人助力传统运维向SRE转型Contents目录01安全生产的理念和价值02数字化安全生产平台（DPS）发布场景一：分布式系统面临稳定性保障新挑战分布式技术蓬勃发展知名互联网故障流量防护应用多活混沌工程可观测ACOS近年来，虽然稳定性关注度日益提高，新技术蓬勃发展，重大故障依然频发且影响巨大。技术的不恰当使用、人为操作失误、硬件故障、自然灾害、安全攻击依然给生产稳定性保障带来极大风险 2022.10，韩国数据中心发生火灾，导致多家网络平台瘫痪 2021.10，某证券IDC故障2小时，导致客户无法交易，产生资损 2021.1

2、0，某社交平台，因配置变更故障中断6小时，影响数亿用户，市值减少数百亿美元 2021.7，某视频网站，服务器故障3小时造成服务器无法访问，引发影响用户体验 2020.3，美国某云服务商，因冷却系统故障导致断电停机，影响计算、存储、网络以及其他服务，时长6小时 2020.6，因第三方网络提供商错误路由，影响某IT公司多个地域及其他80多个数据中心，时长4小时 2020.7，某云服务平台，因全球骨干网网络配置错误，网络流量下降50%，时长27分钟 2020.11，美国某云服务商，核心服务扩容引起雪崩效应，影响多个关联云服务，时长十数小时 2020.12，某互联网服务全球大面积瘫痪，由于存储配额系统

3、的身份验证服务故障，影响多个基础服务，时长47分钟全链路压测分布式应用服务云原生DevOps持续交付容器微服务场景二：政策引导IT系统稳定性建设平稳推进随着数字化转型政策的推进，越来越多“国民级应用”诞生。“国民级应用”的突出特点是用户群体范围广、数量多、使用时间长，同时也有业务迭代周期短、故障影响面大的隐含特点。“国民级应用”需要最短时间完成稳定性积累，少走弯路。数字政府网上办事大厅、数字防疫医疗健康智慧医疗、全国联保新零售智慧门店、全域营销金融互联网银行、智能风控交通物流智慧收费、出行服务能源水利精准预测、智慧水利生产制造生产调度、工业检测游戏云游戏、AR/VR场景三：传统运维手段已无法满

4、足要求SRE的核心理念是通过软件来管理系统，解决问题和自动化完成操作工作。Platform Ops（平台运维）是一种创新运维理念，将基础设施、运维、云管理纳入一个发展方向规划，成为推动企业 IT 架构持续演进和管理的核心力量。资料来源：Gartner Infrastructure,Operations and Cloud Management Primer for 2022资料来源：Google Site Reliability Engineering“安全生产”的核心理念和方法论为预防生产过程中发生人身、设备事故，形成良好劳动环境和工作秩序而采取的一系列措施和活动。辞海中，“安全生产”的解释

5、：为提升生产系统业务连续性、灾难恢复能力，建设高可用架构系统和SRE型运维团队而采取的一系列措施和活动。在阿里巴巴的多年技术演进中，赋予了“安全生产”在IT软件领域的新解释：可用性：99.99X%灾难恢复：RTO30s，RPO0组织效能：1-5-10牵引指标可用性改进可靠发布效能提升故障管理应急处理演练验收SRE型组织容错架构容灾架构快恢自愈可观测性容量规划可防护性高可用架构灾难常态核心方法论数字化安全生产平台是什么？平台定位浓缩阿里巴巴十年运维经验，以PlatformOps为理念，以保障业务连续性为目标的一站式管控SRE运维平台行业方案质效医保数字化防疫金融核心系统上云新零售大促保障业务场景

6、场景一：“1-5-10”故障快恢场景二：“变更三板斧”故障预防重启回滚扩容切流限流降级灰度发布应用监控应用回滚事前准备风险挖掘故障等级定义监控配置1分钟发现5分钟处10分钟恢复故障通告故障响应故障快恢事中应急业务目标方案能力服务支撑产品能力变更接入变更规则设定回滚预案可观测可灰度可回滚变更灰度变更观测变更回滚全链路监控服务故障应急服务演练评测服务变更准备变更执行业务目标变更管控服务告警域监控域故障域预案域快恢域变更域演练域工单域数字化安全生产平台的亮点场景化产品理念数字化管理流程云原生平台架构发布场景一：“1-5-10”故障快恢目标：提升故障1分钟发现，