案例解读 | 某特种材料上市高新技术企业IT综合运维平台建设实践

项目背景
1.客户简介

案例客户是一家专业从事特种材料研发、生产和销售的国家级高新技术企业，是所属材料领域技术引领者、领先供应商，同时是上交所科创板上市企业。

2.痛点分析

随着业务量的迅猛增长，客户的信息化投资急剧上升，设备和系统种类繁多，使得运维工作变得日益复杂和压力重重。厂区的扩建和信息化投入的增加进一步加剧了运维的挑战，包括数据库死锁、系统频繁卡顿和网络故障等问题，这些问题不仅降低了生产效率，也增加了客户投诉。

随着设备老化，故障率上升，业务支撑系统面临的风险也在逐年增长。目前，公司尚未建立一个统一的运维监控平台，这导致了多个问题：IT运维部门无法提前识别和预防潜在故障，故障发生时难以及时发现，故障分析和处理缺乏有效的全栈监控工具，依赖人工逐层排查，效率不高。此外，故障排查后缺乏持续积累和可复用的知识记录，导致类似问题反复出现。

具体来说，该客户的运维痛点如下：

• 在线资源庞大，故障发现滞后：运维复杂性持续增加、团队工作负荷持续加大，掌握的组件信息繁杂。
• 日常重复工作多，工作繁重：大量的定期检查工作、保障工作几乎全部靠人力完成。
• 运维工作成绩不彰显：没有可视化管理，整个系统健康状况存在于若干员工的脑海里；发现问题需更早一步，最好在在业务部门发现之前进行处理解决。
• 缺乏实践知识：自己学习也无法得到最宝贵的实践经验，期望拥有优质的外部专家资源，协助解决工作中的难点痛点，并持续提升人员知识技能水平。

鉴于这些挑战，客户迫切需要一个全面的IT运维解决方案，以提升运维效率，确保业务系统的稳定运行，并全方位保障业务支撑系统的可靠性。
p333金沙贵宾会方案

为保障客户信息化系统更加完善，为运维人员提供有效帮助、更高效率实现运维工作。在现有信息化相关维护前提下，有必要建立一套针对信息化的监控平台，做到及早发现故障、提早判断预知故障及时处理，以及合理利用信息化基础资源，达到最大化资源使用，同时为信息化建设提供未来建设提供合理依据，使得业务系统信息化建设健康发展。

1.核心功能概览

结合客户现有信息化建设架构，建设统一监控平台部署内容如下：

1. 集中监控：包括从IT基础架构到业务系统的可用性、性能、日志等指标监控；

2. 集中告警：集中告警展示、告警分发、告警处理等全生命周期管理；

3. 可视化视图：可自动发现的网络拓扑、投屏视图、业务拓扑等可视化功能；

4. 多样性报表：支持自定义、多维度、多指标报表统计功能；

5. 大屏展示：大屏幕集中监控实现自定义展示页面；

6. 网络配置管理：自定义周期自动配置备份、配置一键下发、配置备份对比等功能；

7. IP管理：提供IP地址快速定位功能，支持查看IP状态、Mac地址、接入设备及端口信息。

8. 自动化运维：提供网络设备和操作系统的自动化运维模块；拥有脚本管理、版本管理、软件包管理、定时作业、批量下发等功能。

9. 告警分析：支持告警关联拓扑功能，实现故障影响范围分析，可快速打开包含该资源的拓扑界面。02系统架构

经了解，本次监控对象为包括涵盖了操作系统、网络设备、数据库、中间件、虚拟化、服务器、存储，总体监控对象在1000个以内。定义本次系统架构部署如下：

架构说明：

• 可视化区

1. 两台WEB服务器之间做高可用，使用 pcs 构建高可用集群方案；
2. web 服务器通过数据库 VIP 获取数据展现；
3. 通过web服务器来对监控对象进行管理；

• 存储区

1. 数据库服务器主节点和备节点实现流复制热备， 使用 pcs 构建高可用集群方案；

• 处理区

1. 两台采集服务器构建高可用集群方案，对接 N 台代理服务器；
2. 采用高可用集群策略的时候，一台 采集服务器 down 掉后，会在极短的时间内自动切换到另一台 采集服务器，一定程度上保证数据处理的稳定性；down掉的主机恢复后，会自动加入到集群;
3. 采集服务器管理采集代理服务器；

• 采集区

1. 两台采集代理服务器，使用 pcs 构建高可用集群方案；
2. 采用高可用集群策略的时候，一台采集代理服务器 down 掉后，会在极短的时间内自动切换到另一台采集代理服务器；down掉的主机恢复后，会自动加入到集群;
3. 采集代理服务器各自监控服务器互不干扰；
4. 采集代理服务器的监控数据保存在本地 SQLlit上最终统一存储在主采集服务器的主数据库上并同步到备数据库上；
5. 采集代理服务器与采集服务器之间只需要放通网络策略即可；
6. 采集代理服务器支持压缩传输和加密传输；
7. 采集代理服务器可扩展，针对不同域可以追加代理。

3.告警配置

完成监控对象纳管后，通过和客户沟通、培训，进一步确认相关监控阈值配置，即根据客户实际情况配置告警阈值，当监控指标达到阈值设置后，即触发告警。同时将不同阈值对应到不同告警级别，分别为紧急、严重、一般等常用级别。

4.大屏展示配置

投屏展示通常可直观、简介的查看整个IT资源或某个业务的实际情况，经过和客户交流沟通后，确定本次创建如下：

5.故障自愈配置

故障自愈可以根据预设的规则，针对一些常见故障，自动触发相应的处理脚本脚本，降低人工干预成本，提高故障处理效率，保障系统稳定性。经过和客户交流沟通后，确定创建以下故障自愈场景：

客户收益

• 提升运维效率：通过自动化运维工具和智能运维服务，减少人工干预，提高运维工作的效率和响应速度。
• 降低运营成本：利用智能分析和预测，优化资源配置和系统运行，减少不必要的开支，实现成本效益最大化。
• 增强业务连续性：通过统一的监控和管理，确保业务流程的顺畅，减少因系统故障导致的业务中断。
• 改善用户体验：实时监控和快速响应机制能够保障服务的可用性和响应速度，从而提升最终用户的满意度。
• 提高系统稳定性：通过指标采集和分析，及时发现并解决系统潜在的问题，增强系统的稳定性和可靠性。
• 实现故障自愈：通过配置自动化脚本和自愈规则，系统能够在检测到问题时自动进行修复，减少故障影响时间。
• 提升运维团队能力：通过统一的运维管理平台，提升运维团队对复杂IT环境的掌控能力，降低运维工作的复杂性。
• 知识积累与传承：通过记录和分析故障处理过程，积累经验，形成知识库，为未来类似问题的解决提供参考。
• 业务和IT的紧密结合：通过业务拓扑和业务服务的监控，实现业务和IT运维的紧密结合，确保业务目标的达成。
• 提升竞争力：通过优化IT基础设施和运维流程，提高企业整体的运营效率和市场竞争力。

这些收益将帮助该客户在面对快速变化的市场和技术环境时，保持竞争力，实现可持续发展。

p333金沙贵宾会社区已经永久开放p333金沙贵宾会监控免费版和p333金沙贵宾会MCM免费版（CMDB+监控），欢迎下载使用！