去哪儿网络设备运维平台
刘亮，2014年加入去哪儿，毕业于中科院软件所，曾在百度做硬件运维和研发相关工作，目前主要负责Qunar硬件运维工具及平台开发工作。
1. 运维工作量逐渐增大
最近几年，Qunar的网络设备数量逐年增加，但是NetOps的人员还一直维持在很少的几个人，单人运维工作量持续增大；
2. 运维方式效率不高
目前变更操作基于命令行和脚本进行，需要NetOps手动登录目标设备和执行操作，操作内容包含大量简单和重复的操作；
3. 运维变更存在风险
基于命令行和脚本的变更操作一旦操作疏忽会导致不可估量的风险，除此之外，是谁进行了什么操作，也没有记录，不利于操作审计核查。
基于上述背景考虑，给出相应的优化思路，如下：
工具命令集成。将运维常用工具和命令集成到平台和服务中，让平台来执行频繁的重复操作；
操作自动化。分解常见的运维内容为基础指令集，集成到平台中为一系列的可自动执行的任务列表；
操作逻辑智能检测。对操作预检查，杜绝不可控的变更，原子操作，闭包检查，杜绝异常操作，异常自动回滚；
操作权限分级控制。任务和用户双向权限分级，不同的操作内容设定不同的权限才可操作，不同的登录用户赋予不同的权限，如此来防止不可控的用户操作；
操作记录追踪审计。记录每项操作的执行人，内容，时间和结果到数据库，对操作可后期审计，异常操作追溯。
结合上述优化思路和NetOps日常运维内容，我们上线了Qunar网络设备运维平台。平台截图如下：
运维平台架构图
平台数据流图
下面逐一介绍平台各个模块
（一）权限控制
操作权限分级，总共分为5级，权限从低到高分别为访客，只读，读写，管理员和超级管理员；
具体原子操作绑定对应级别的权限上，譬如访客只能查看有限的信息，只读用户可以执行读设备信息操作等等；
Tips：
高权限可以赋予比自己低的权限给其他用户，可以查看自己授权的用户的操作日志。用户不能查看和自己相同权限或比自己权限高用户操作日志。
同一个待授权的用户可以多次被授予不同级别的临时权限，在完成指定操作之后，撤销授权。在保证安全性的同时保证灵活性。
（二）操作及任务
本平台可支持如下的自动化操作：
扫描抓取核心交换机和接入交换机关联关系；
抓取，备份，同步交换机全局和各个端口配置配置数据；
端口up/down，修改端口描述，修改端口速率，端口置为trunk；
端口分配vlan；
端口锁定防止操作；
用户确认执行某项操作后，平台立即启动对应的celery任务。本平台任务分为两类任务：
及时任务。任何平台支持的自动化运维操作对应一项celery及时任务。用户确认操作后，celery启动对应的任务，保证任务执行正确性，如果执行异常，回滚并警告用户。单个设备操作任务事实上也是自动ssh到目标机器上执行相应网络设备变更命令。
定时任务。将一些日常运维操作映射为平台内置定时任务，可以由用户手动触发一次性或循环定时操作。
Tips：
所有任务均会自动记录详细日志，用户视权限在日志模块查询相应的操作日志。
（三）监控管理
本平台监控两类数据，一类是网络层次，粒度的是交换机和关联的接入交换机组成的小集群；一类是设备层次，粒度是单个交换机端口。
对于网络层次监控，基础数据来源于各个交换机端口监控数据，基于核心交换机和接入交换机关联数据通过weathermap绘图，在平台上渲染展示出来。
平台可以基于设备基础信息进行自动发现：
发现核心交换机和接入交换机关联关系，绘拓扑图；
发现各端口状态，发现端口异常状态，譬如端口；
发现各端口间流量负载情况，发现流量异常情况；
如上图所示，各个设备之间连接流量负载一目了然，灰色表示没有流量，绿色为负载正常，红色表示负载过重。
对于设备端口指标监控，基于collectd的snmp远程抓取来实现。用户在平台上管理和配置设备监控指标和模板。指标和模板变更后，平台自动通知Marathon平台更新collectd抓取集群上的抓取Docker实例。
设备监控指标数据抓取架构如下：
平台监控配置有如下特点：
配置灵活高效。可以从指标，模板，匹配规则三个维度进行配置，一旦配置完毕，新增同类新机器上架，老机器下架监控自动更新；
动态扩容，负载均衡。使用Docker和marathon实现抓取集群的动态扩容和负载均衡；单collectd抓取实例抓取多台网络设备指标，单抓取机启动多个抓取实例，每个机房多台抓取机来实现负载均衡。
Watcher上设备监控指标图如下：
Qunar网络设备运维平台为了解决实际运维工作出现的难题而生，提高了运维效率，降低了操作风险，优化了运维流程。后续将针对NetOps面对的更复杂的问题快速迭代和持续优化。
本文首发于Qunar技术沙龙微信公众号，已获授权。
ArchSummit全球架构师峰会将在2016年12月2日-3日于北京开幕
ArchSummit 2016北京站官网。