各行各业的数字化转型以及云原生实践如火如荼地开展，云上业务的开发模式在悄然地经历着一场变革，对IT主管、开发团队、运维团队都提出了挑战，如何能持续、乃至更好地守住业务可用性，是一个值得研究和实践的课题。

华为云SRE在短短几年内经历了华为云业务从小量到大量到海量的高速发展，以及新型技术和开发模式引入的全过程。可以用“MATE”来概括过程中所遇到的挑战：

M（Messy Complex）解耦的网络；A（Active Iteration）快速迭代；T（Trustworthy Operation）安全生产；E（Evolution FullStack）全栈运维。

为了应对这些不确定的挑战，华为云SRE用“确定性运维”能力支撑了华为云“稳定可靠”，平台质量和运维效率均得到大幅改善，目前居于国内、国际领先地位。

“确定性运维”能力诞生

在开发/运维领域有各种标准，包括ITIL（目前最新版是V4）、Agile（敏捷开发）、DevOps、持续交付CI/CD……；还有G公司发布的SRE核心理念，用工程的方法解决运维问题；A公司CTO连续十年在公开峰会上传播“Everything fails, all the time”。

华为云SRE综合了各家所长，经过5年的实践，总结出“持续韧性”（Continue Resilience）的标准，即韧性是从架构设计、到交付、到现网运行的持续改进。运维的新常态是接受部分故障，处在部分故障中的系统要求仍能正常运行对外提供服务，全流程通过软件工程的方法解决运维问题。持续韧性的价值主张是“确定性质量结果”，即“确定性运维”能力，包括：

确定性高可用架构：包括确定性失效率、确定性恢复时长以及确定性故障影响；动态清零风控方法：包括全面质量管理（被动响应为主）和动态风控（主动运维为主）；低复杂度运维框架：在业务高度复杂的情况下，通过智能运维工具的深化开展，提升效率，确保运维组织规模不要线性增长。助力云上业务运维体系升级

云上数以万计的客户，虽然所运维的对象不同，但是面对的挑战却有不少的共通之处。当企业在业务快速增长、数字化转型或深入云化改造，可能遇到可用性管理、责任分工、容量管理、云资源配置、安全生产、效率提升、智能运维能力构建等问题，华为云SRE运维使能中心负责将“确定性运维”能力转化为云上业务运维的能力体系。经过诸多案例分析和专家讨论，梳理出如下适用于云上业务的“确定性运维”体系，相较于传统运维体系，业务模块有如下变化：

传统运维关注问题快速定界定位，关注产品的可维护性，新体系中，运维团队不仅关注可维护性，更多地参与到产品的架构设计中，落实“产品高可用架构”；传统运维以被动响应、主动巡检等活动为主，新体系中全面加强了被动响应和主动运维的活动，执行“全面的质量和动态清零风控”；传统开发模式下版本交付经过较长周期的质量管理且变更并不频繁，但现在多数企业执行的是“持续交付”流程，从运维角度必须要强调自动变更以降低风险；传统业务体量小的时候，安全合规的压力并不高，体量变大以后参与的团队增多，交付越发频繁，安全生产和安全防护的压力和能力诉求都很大；基础设施云化以后，面对种类繁多的云化资源（包括OS、网络、数据库、容器等），需要自动化的“资源治理”能力，以提升质量和效率；传统运维模式使用的工具通常以ITSM工具为主，新体系中增加“工具开发”模块，由运维团队自行设计、集成或开发第三方的运维作业和AIOPS工具。

在运维体系进阶的过程中，“组织、流程、工具”也在业务驱动下分别做了升级：

首先是“组织”能力升级，传统的运维组织多数是“消防员”角色，主要投入精力在巡检、告警、故障处理上，确定性运维模型下，经过SRE变革，转型为“建构师”，主要承担三个角色：可用性守护者（强调全栈能力，对业务的SLO和可用性负责；用更多时间思考和改进可用性，提前拦截隐患）、可用性设计者（围绕SLI/SLO开展工作，参与产品高可用设计）、软件工程开发者（不仅仅是编码，用系统工程的方法解决问题）；要求运维团队具备4个关键能力：软件编码、工程方法、自动化开发、SLO设计。

关注@华为云，了解更多资讯