×
  • 登录

注册账号 |  忘记密码

社交账号登录
hth·华体会体育软件工程走向“现代化工厂”?谈谈大数据平台软件的企业级部署和运

  hth·华体会体育软件工程走向“现代化工厂”?谈谈大数据平台软件的企业级部署和运维客户规模扩大,如何保证大数据软件产品和服务质量始终如一?几乎所有成长中的软件厂商,尤其是需要通过私有化部署交付的厂商,都会面临这个问题。正如《人月神话》中多次表明的,单纯地增加人手、扩大团队规模,并不能成功达成大型系统建设目标。

  软件的生产、交付和运维,如何从“手工作坊”走向“现代化工厂”?厂商又应当在什么时候改变对“高级工匠”的依赖,研究生产线如何改造?奇点云去年改造了面向交付的工程生产线。虽然投入了大量的时间精力,但成功提升了产品的发布版本质量和稳定性,提高了客户环境部署、版本升级的效率,完善了客户项目运维的响应流程,强化了主动发现风险的能力。

  本文作者牧然,奇点云资深技术专家,曾在多家大型互联网公司负责 DevOps、质量保障体系建设、效能和过程改进,主导完成奇点云的工程生产线改造。

  大数据平台软件体量大,通常是私有化部署的方式交付给客户。奇点云的核心产品数据云平台 DataSimba 也不例外。有别于 SaaS 产品专注维护一套生产环境的一个发布版本,私有化部署的大型平台软件产品在交付和运维上面临更复杂的挑战:

  对不同客户的独立环境(M),维护不同的产品发布版本(N),从数学上说,就会有 M*N 种维护场景。当然,在客户规模尚未出现井喷时,上述挑战的影响还在可预见、可应对的范畴之内。

  2021 年前后,数据价值陆续得到验证,数字化成为确定性选择。DataSimba 作为企业的数据基础设施,新客户数量激增,老客户复购需求持续上涨。团队面临的交付、运维挑战,相较往年也成倍上难度。

  2022 年,我们在收敛主售版本的基础上,推出了长期维护版(即 LTS 版),一定程度上让维护的范围更集中。但团队仍然需要投入大量精力,来应对“M*N”的交付和运维问题——除了日常维护,版本更新、漏洞修复等都需要准确无误地更新到每个独立的客户环境中hth·华体会体育

  2023 年,客户对数据的使用不断深入,数据系统成为核心的生产系统。除了软件的功能,开始关注其 Reliability(可靠性)、Availability(可用性)、Serviceability(可服务性),要求可靠、连续、稳定地产出数据业务结果。这就需要服务商提供“产品 + 服务 + 连续可靠的运行机制”做保障。

  “RAS”是企业级软件的金标准。这一年,我们从软件、服务、管理等各个层面向“企业级”升级。毋庸置疑,企业级软件在企业级客户的交付和运维,也要达到企业级标准。而形成一条更优质高效的生产线,是规模化服务好客户的前提。

  产品质量:软件通过严格测试,包括功能测试、性能测试、安全测试等等,覆盖所有的功能和边界情况,确保软件的稳定性、可靠性。

  交付时间:要在严格的时间内完成交付。(也就是说,过去友商常见的花 1 个月甚至更久时间部署已成“过去时”。)

  2021 年至今,我们严格遵循 SAFe(Scaled Agile Framework,大型敏捷软件工程方)的迭代原则,保持产品研发和版本发布的稳定节奏,目前总计发布了 32 个 R 版。

  Built in Quality(内建质量)是 SAFe 框架中的一个重要概念,要求团队在工作的每个阶段都要关注和进行质量实践,而不是把质量留到最后的测试阶段。

  正如质量管理的先驱戴明博士(William Edwards Deming)所说,“检验不能提高质量,也不能保证质量。检验为时已晚,产品已有好坏之分。”“它(即质量)必须内置在其中。”在 SAFe 方中,有 5 个关键维度来衡量内建质量:流程(Flow)质量,架构与设计质量,代码质量,系统质量,发布质量。

  流程质量,我们通过持续优化开发流程,进行 DevOps 实践,串联从需求开发到产品交付的每个环节,并提高流程节点上的自动化率。自动化是我们始终关注并坚持的要求。

  发布质量,结合近 3 年在客户环境进行的数千次部署 / 升级经验,我们设计和完善了部署 / 升级的 SOP,确保新版本顺利更新到客户环境。

  其一,研发过程中,当稳定分支(master)有合并,就触发完整 CI 流程,执行所有 MR(Merge

  其二,维护阶段,某一个客户现场有特殊问题需要修复时,bugfix 分支向 release 发起 MR,生成的包给客户修复问题。MR 积累到一定数量后再统一合入稳定分支(master),避免未经全面测试的特殊修复给全局版本引入风险。

  我们建立了研发流水线,并设计了自动化测试,开发环节效率得到显著提升:目标分支发布到目标环境的效率提高;目标分支合并后产生的包都经过了 12000 个自动化测试用例,研发、测试、运维基于此工作,不会发生基础问题。

  1)研发在 feature 分支完成需求开发后,向目标分支(如 master 分支)发起 MR,自动触发 CI 流程,将包与镜像推往对象存储,可一键构建到开发环境。(测试及生产环境需要通过发布平台执行。)

  2)测试过程中 feature 分支代码变更,会再次自动触发 CI 流程,生成包和镜像,按需一键发布到目标环境hth·华体会体育

  通过全量接口和场景自动化测试用例卡点,目前我们要求通过全部(12000 个)自动化测试用例,无失败。

  自动化部署工具:支持“一键”部署;可以集中管理配置、自动渲染;集成日志系统,支持日志集中查询;支持监控报警,分级报警,分级处理。我们之所以把日志和监控工具都集成到了部署工具中,是因为部署 DataSimba 并不只是简单的安装软件,也需要保障其运行稳定。

  自动化验证工具:我们从 12000 条自动化测试用例中选取了 3000 条,用于客户环境部署后的验证,以确保部署后的产品可用性。测试过程耗时仅 30 分钟。

  做到这里,工程生产线基本上改造完成了。相比之前,团队工作上的体感已经大不相同:再也没有出现分支发布到目标环境失败或功能不可用的问题;再也不会出现临时紧急修复一个问题,而影响到了全部版本;也不再出现客户环境部署完成后还有功能不可用的问题。

  很多厂商会把部署完成视为交付的最后一步hth·华体会体育,钥匙交给客户万事大吉。但像前文所说的,数字化进程越深入,客户越要求可靠、连续、稳定地产出数据业务结果,这离不开持续、可靠的运维。

  运维是一个“人力”比较重的过程,所以同样会面临需求爆发和质量管控的问题:一位运维工程师通常会负责多家企业客户的运维,同一个客户也会经历不同运维工程师的运维。

  对此,解法也是类似的——“运维标准化”,即同一个产品在不同客户环境,有统一的运维方案。从监控告警到日志标准化,从应急操作手册到巡检工具,都通过统一的运维 SOP 和工具完成,来保障运维响应的规范、质量、效率和全面性。

  监控告警:设置分层监控(集群监控、服务监控、业务监控),配合多渠道告警(电话、短信、IM、邮件等),确保系统运维工程师和数据运维工程师快速响应;

  On-call 小组:我们更新了 On-call 的机制,工单分级响应,并设置了问题处理超时预警机制,确保服务水平和满意度。

  高级运维服务:主要满足有深度运维需求的客户,包括协助客户团队建立数据开发的 CI/CD 流程,以及由原厂专家提供一对一的系统运维规划、专属运维实施等服务。

相关推荐