自动化能力Automation

《CloudOps云上自动化运维白皮书2.0》报告提到了阿里云提供的自动化能力和产品，以及与业界工具的对照表格，包括成本和资源量化管理能力、可靠性能力、安全和合规能力等方面。其中，弹性能力被分为五个等级，并介绍了每个等级具备的弹性管理能力和资源成本管理能力。报告还强调了云服务的弹性能力和资源监控、链路追踪、高可用服务、日志服务等在网络安全和数据安全方面的重要性。今天是该报告系列文章的第四篇，主题为「自动化能力Automation」。

1. 自动化能力的基本概念

自动化即是通过运用工具或系统达到减少、甚至是完全取代人工的操作。以完成一个云资源的创建为例，完全人工的操作即在控制台上，完全通过鼠标和键盘在网页上进行操作，以完成资源的创建和购买的目的。

这个创建和购买的过程可能包括 10 个，乃至 20 个以上的操作。而自动化的方式，即是减少需要的步骤，从 20 个步骤，减少到 10 个，进而减少到 5 个，3 个，甚至 1 个，最终可以一键完成一个自动化操作。这依然需要人工来触发整个自动化的流程，再进一步，则可以自动触发。如在流量高峰时段，自动创建服务器并部署应用就是一个完全的，100%的自动化的例子，整个过程无需人工参与。

2. 自动化的业务价值

自动化的业务价值整体可以归纳如下:

降低成本，提升效率:现代 IT 的核心特点即是快，天下武功，唯快不破，效率提升，永无止境。而达成效率提升的最佳手段即在于将重复的、低效的、容易出错误的人工操作转变为自动的、高效的、稳定的自动化操作，同时也将降低员工所需要付出的时间等成本。
减少人工错误:当需要人工不断重复地、机械性地完成一项工作时，非常容易造成疲劳，疲倦，从而操作粗心造成错误，很多云上的大事故，都是因为人工的不当操作而造成的。甚至是在故障的处理过程中，因为缺乏标准流程或标准自动化工具，进而导致更大的故障。
提升员工满意度:大概没有人会喜欢这种重复的、机械的人工操作，尤其是还可能造成重大事故的情况下。因此提升自动化，则可以提升员工的满意度甚至是幸福感，进而可以提升运维(Ops)的乐趣，让员工可以快乐地工作。

3. 如何衡量企业运维体系的自动化成熟度

任何事物的成功都离不开客观的数字化，以及相关的衡量指标。依据指标可以清晰地看到自己所处的自动化阶段，自动化的应用程度，以及未来继续发展的方式和目标。

1) 自动化率

统计出日常工作中所需要的所有和开发及运维相关的操作，然后看看其中多少的操作已经是自动化完成的，多少操作是半自动化所完成的，多少操作是手工所需要完成的，分别占比多少，最终可以形成一个全局的饼图。

2) 操作时长和频次

毋庸置疑，自动化的操作速度远大于手工操作。如能记录完成操作所需要的时间，再进行自动化前和自动化后的对比，便可轻易地看出自动化的价值所在。尤其是频繁，复杂的操作，业务价值的体现则会更加明显。现代 IT 中最为频繁的操作为:

环境部署(Infrastructure)
环境配置(Configuration Management)
应用部署和配置(Application Deployment)
日志、报警或故障处理

3) 平均修复时间 MTTR

从报警发生到故障被解决，系统被恢复的时间，称之为平均修复时间(Mean Time

To Repair)，它的公式如下:

平均修复时间=总故障时间÷总故障次数

举例来说，假设一年的总共故障时间是 100 小时，总的故障次数是 12 次，则平均修复时间为 8.3 小时。进一步，则可以根据故障的分类，模块，根因等进行分类，分别进行统计。

特别说明:在严格的情况下，请注意平均修复时间和平均恢复时间的稍许区别，前者不包括从故障实际发生到报警的时间，只是包括故障已经被发现，并且开始进行故障修复的时间，而平均恢复时间包括两者:从故障实际发生到故障报警，和故障报警到故障修复的时间。通常来说，故障报警所需要的时间相当于修复所需的时间而言较短，且占比较少，因此在宽松的语境下，两者会被混用。

4) 高质量的自动化所应具备的特性

自动化能力的构建应该按照正式的产品和项目进行，同样需要需求管理，调研，设计，研发，测试和部署等必要的环节，并保持持续迭代。而部署后的环境同样需要具备健康管理，从而进行监控，报警，故障和修复等。必要时，进行整体性的优化，改造和升级。

除此之外，现代化的自动化还应该考虑以下需求:

完备的角色管理和授权体系:毋庸置疑的是，自动化能力将会涉及到所有系统的所有环节，包括核心业务系统，机密数据等操作。越是重要的系统应该越依赖自动化能力而非手工方式，因为人工的处理存在种种的弊病，如因为粗心导致的失误操作等。因此，完备的角色管理和授权体系可以保证重要业务持续运行，以及保证机密数据的安全性。
具备审计能力:所有的自动化都应该具备可以被审计的能力，尤其是当所操作的对象是核心业务或机密数据时，更依赖审计能力去保证其安全。其次审计能力也有利于自动化系统本身故障的排查。Cloud 上的云产品大多已经接入了 Cloud 上的审计服务，应该开启这类服务，并时常检查数据的完整性，保证关键的操作都被记录了下来。
标准化和平台化:统一的自动化能力是其他特性的重要依赖，标准化和平台化的目的都是为了统一。统一性的管理也有助于平台自身的建设，尤其应该避免建设多个自动化平台。统一的自动化平台也有利于公司统一进行监督和扩展，如要修改审核规则时，更容易落实规则。

5) 自动化能力成熟度模型

4. 阿里云的自动化能力和产品

1) 第一层:特定场景的自动化能力适合“中级”的自动化场景和需求。

弹性伸缩
- 使用场景:当服务器数量需要进行弹性化管理时。
- 弹性伸缩服务:弹性伸缩(Auto Scaling)是根据业务需求和策略自动调整计算能力(即实例数量)的服务。您可以指定实例的类型，即 ECS 实例或 ECI 实例。在业务需求增长时，弹性伸缩自动增加指定类型的实例，来保证计算能力;在业务需求下降时，弹性伸缩自动减少指定类型的实例，来节约成本。弹性伸缩不仅适合业务量不断波动的应用程序，同时也适合业务量稳定的应用程序。
- 产品文档:https://help.aliyun.com/product/25855.html
部署模版
- 使用场景:当需要具备完全自动化的部署能力时，甚至可以达到一键部署。
- 资源编排服务 ROS:资源编排服务 ROS(Resource Orchestration Service) 是阿里云提供的一项简化云计算资源管理的服务。开发者和管理员可以编写模板，在模板中定义所需的阿里云资源(例如:ECS 实例、RDS 数据库实例)、资源间的依赖关系等。ROS 的编排引擎将根据模板自动完成所有资源的创建和配置，实现自动化部署及运维。
- 产品文档:https://help.aliyun.com/product/28850.html
事件驱动
- 使用场景:当某个特定的事件发生时，应该触发的自动化任务。
- 说明:事件的来源可以来自 Cloud 的云产品和服务器，也可以主动发送自定义事件。通常 Cloud 本身关注的是基础设施(Infrastructure)层，而自定义事件则多是业务系统和业务逻辑层。当事件发生时，可以触发启动相关的自动化任务，如自动检查，自动修复，或者通知某运维人员。事件通知内通常都会包括一些简单扼要的关键信息，如包括实例 ID 等，这类可以提取出来作为自动化任务的参数。
报警驱动
- 使用场景:当需要根据监控报警触发自动化任务时。
- 说明:和上述场景类似，区别在于这里的触动来源是报警。通常也可以分为Cloud 提供的基础设施(Infrastructure)层的报警和业务系统和业务逻辑层的报警。并以此为触发来源，触发自动化相关的任务。
定时运维
- 使用场景:当需要在预定的时间开始执行的任务。
- 说明:和上述场景类似，区别在于这里的触动来源是根据预设的时间，通常允许按日，按周，按月等周期性定时运维。