億級(jí)數(shù)據(jù)、千條告警秒級(jí)處理！浪潮信息InManage智能管理10萬(wàn)+IT設(shè)備

北京2024年10月21日 /美通社/ -- 隨著數(shù)字化和智慧化的加速落地，數(shù)據(jù)中心的設(shè)備規(guī)?？焖倥噬?。數(shù)據(jù)中心的Scale out給基礎(chǔ)設(shè)施運(yùn)維管理帶來(lái)全新挑戰(zhàn)。以擁有10萬(wàn)+設(shè)備的大規(guī)模數(shù)據(jù)中心為例，面對(duì)每日產(chǎn)生高達(dá)近30TB的設(shè)備運(yùn)行狀態(tài)、億級(jí)監(jiān)控指標(biāo)、數(shù)千條告警推送等，如何秒級(jí)反饋海量并發(fā)需求，保證管理平臺(tái)穩(wěn)定運(yùn)行？如何避免將每秒近千條的大規(guī)模設(shè)備告警風(fēng)暴強(qiáng)塞給客戶，進(jìn)行根因定位并避免誤報(bào)、漏報(bào)？這些挑戰(zhàn)正伴隨服務(wù)器、存儲(chǔ)和網(wǎng)絡(luò)設(shè)備規(guī)模的持續(xù)增長(zhǎng)，成為超大規(guī)模數(shù)據(jù)中心管理亟待解決的難題。

浪潮信息InManage是一款面向數(shù)據(jù)中心基礎(chǔ)設(shè)施的智能管理平臺(tái)，通過統(tǒng)一接口、協(xié)議，能夠納管多達(dá)400種不同廠商、不同型號(hào)的服務(wù)器、存儲(chǔ)、網(wǎng)絡(luò)等機(jī)型，設(shè)備規(guī)模最多可達(dá)10萬(wàn)臺(tái)，為超大規(guī)模數(shù)據(jù)中心運(yùn)維提供智能均衡調(diào)度、實(shí)時(shí)精準(zhǔn)告警等管理功能。浪潮信息InManage通過智能均衡作業(yè)調(diào)度平臺(tái)，能夠在秒級(jí)內(nèi)處理超大規(guī)模數(shù)據(jù)中心億級(jí)實(shí)時(shí)并發(fā)運(yùn)維管理數(shù)據(jù)，并基于自研的告警管理框架，實(shí)現(xiàn)5秒內(nèi)響應(yīng)上千條告警風(fēng)暴，顯著降低告警誤報(bào)與漏報(bào)的風(fēng)險(xiǎn)。InManage不僅創(chuàng)造了金融行業(yè)單一數(shù)據(jù)中心帶外管理的最大紀(jì)錄，還實(shí)現(xiàn)了數(shù)據(jù)中心基礎(chǔ)設(shè)施全生命周期管理，整體運(yùn)維效率提升兩倍，為超大規(guī)模數(shù)據(jù)中心的穩(wěn)定、高效運(yùn)行奠定了重要基礎(chǔ)。

10萬(wàn)+超大規(guī)模設(shè)備集群管理，面臨穩(wěn)定性與實(shí)時(shí)性多重挑戰(zhàn)

隨著數(shù)據(jù)中心的規(guī)?；l(fā)展，服務(wù)器數(shù)量爆發(fā)式增長(zhǎng)，數(shù)據(jù)中心設(shè)備規(guī)模從最初的1000臺(tái)增加到10萬(wàn)臺(tái)，規(guī)模擴(kuò)大了100倍，涵蓋了不同年代和廠商的服務(wù)器、存儲(chǔ)、網(wǎng)絡(luò)設(shè)備等，設(shè)備種類多，內(nèi)存、電源、硬盤、風(fēng)扇等各類故障發(fā)生的不確定性大。對(duì)于不同設(shè)備的統(tǒng)一管理，一般運(yùn)維管理平臺(tái)會(huì)在底層屏蔽設(shè)備差異，基于基線策略來(lái)實(shí)現(xiàn)納管。但隨著數(shù)據(jù)中心規(guī)模的驟增，數(shù)據(jù)中心運(yùn)維管理的穩(wěn)定性和故障的實(shí)時(shí)精準(zhǔn)告警等挑戰(zhàn)變得日益嚴(yán)苛。

首要面對(duì)的挑戰(zhàn)是大規(guī)模數(shù)據(jù)中心基礎(chǔ)設(shè)施管理平臺(tái)的失穩(wěn)問題。大規(guī)?；A(chǔ)設(shè)施管理要對(duì)不同基礎(chǔ)設(shè)施運(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)分析，每天數(shù)據(jù)量達(dá)到TB級(jí)，而且海量并發(fā)需求要在秒級(jí)反饋，極易出現(xiàn)故障上報(bào)不及時(shí)、頁(yè)面卡頓，甚至管理平臺(tái)宕機(jī)。比如以往某客戶數(shù)據(jù)中心管理平臺(tái)進(jìn)行運(yùn)維測(cè)試時(shí)，基礎(chǔ)設(shè)施規(guī)模從1000臺(tái)增長(zhǎng)到5000臺(tái)，規(guī)模提升到原來(lái)的5倍，會(huì)出現(xiàn)管理頁(yè)面卡頓，后臺(tái)日志顯示大量采集任務(wù)超時(shí)的問題。即使后續(xù)對(duì)管理平臺(tái)進(jìn)行分布式部署，系統(tǒng)負(fù)載依然出現(xiàn)較明顯的峰值抖動(dòng)現(xiàn)象，導(dǎo)致頁(yè)面周期性卡頓。其原因主要是作業(yè)被調(diào)度后，缺乏有效的離散管理，高峰與低谷負(fù)載不均，對(duì)系統(tǒng)穩(wěn)定性帶來(lái)極大的挑戰(zhàn)。此外，對(duì)于海量資源的數(shù)據(jù)采集任務(wù)，會(huì)受線程數(shù)、采集周期和耗時(shí)等因素影響，容易造成任務(wù)積壓，對(duì)管理平臺(tái)異常情況下的任務(wù)隔離與自動(dòng)降頻能力提出更高要求。

此外，設(shè)備大規(guī)模告警的延遲、誤報(bào)和漏報(bào)是另一大挑戰(zhàn)。在10萬(wàn)+大規(guī)模設(shè)備運(yùn)維場(chǎng)景中，一般金融等行業(yè)的客戶數(shù)據(jù)中心管理平臺(tái)通常以平鋪直敘方式呈現(xiàn)設(shè)備告警，缺乏更深層的故障根因判斷、全周期管理等能力。在此場(chǎng)景下，一旦服務(wù)器BMC在批量刷新固件時(shí)出現(xiàn)故障，可能會(huì)在短時(shí)間內(nèi)產(chǎn)生大量的Trap推送，同時(shí)還夾雜著設(shè)備離線等一系列異常告警。數(shù)千條告警的推送，易造成通信堵塞，從而出現(xiàn)告警延遲、告警丟失等。當(dāng)客戶看到堆積數(shù)千條告警郵件通知時(shí)，極易導(dǎo)致客戶誤認(rèn)為系統(tǒng)正面臨重大故障風(fēng)險(xiǎn)。而且由于沒有全周期管理機(jī)制，即便設(shè)備故障修復(fù)，告警信息仍會(huì)持續(xù)存在，這也大大增加了運(yùn)維管理的復(fù)雜性。

智能均衡作業(yè)調(diào)度，10萬(wàn)+超大規(guī)模設(shè)備億級(jí)指標(biāo)穩(wěn)定采集

在超大規(guī)模監(jiān)控場(chǎng)景下，作業(yè)調(diào)度不暢極易造成作業(yè)堆積、負(fù)載波峰波谷抖動(dòng)，嚴(yán)重影響系統(tǒng)穩(wěn)定性，進(jìn)而影響采集進(jìn)度。為此，浪潮信息InManage自研了ChaosJob作業(yè)調(diào)度中間件，突破了作業(yè)智能均衡調(diào)度技術(shù)，實(shí)現(xiàn)了采集作業(yè)的高效調(diào)度和穩(wěn)定執(zhí)行。

•  在作業(yè)調(diào)度層面，InManage自研的任務(wù)調(diào)度中間件采用了靈活的作業(yè)分片與調(diào)度策略，能夠基于客戶的業(yè)務(wù)場(chǎng)景，對(duì)不同類型設(shè)備、不同協(xié)議類型的采集任務(wù)進(jìn)行可高度自定義的細(xì)粒度分片。通過基于延遲隊(duì)列+漏桶算法的"Job Capping"技術(shù)，實(shí)現(xiàn)任務(wù)分片的均衡下發(fā)，有效平抑系統(tǒng)負(fù)載波動(dòng)，達(dá)到削峰填谷的目標(biāo)。
•  在任務(wù)執(zhí)行層面，針對(duì)超大規(guī)模數(shù)據(jù)采集這種IO密集型的任務(wù)，InManage突破線程優(yōu)先線程池技術(shù)，運(yùn)用"作業(yè)智能聚合"機(jī)制，將計(jì)算密集型任務(wù)與IO密集型任務(wù)進(jìn)行智能調(diào)度與聚合，從而加速任務(wù)執(zhí)行，提升系統(tǒng)整體吞吐量，實(shí)現(xiàn)任務(wù)處理的更高效與平穩(wěn)性。
•  任務(wù)堆積防控層面，InManage的任務(wù)調(diào)度中間件具有異常任務(wù)自動(dòng)識(shí)別與隔離功能，通過靈活的限流與隔離技術(shù)，確保任務(wù)"零堆積"，同時(shí)保持系統(tǒng)整體吞吐量不受影響。例如，大規(guī)模數(shù)據(jù)中心可能存在多廠商、多型號(hào)的異構(gòu)設(shè)備，有些老舊設(shè)備接口響應(yīng)緩慢，采集耗時(shí)長(zhǎng)，而這些設(shè)備往往不運(yùn)行核心業(yè)務(wù)，雖然不受重視，又不能遺棄。在此場(chǎng)景下，InManage能夠智能識(shí)別這些設(shè)備的異常表現(xiàn)，主動(dòng)將相關(guān)采集任務(wù)進(jìn)行隔離與降頻處理，優(yōu)先保障其他關(guān)鍵任務(wù)的正常執(zhí)行。這一過程完全自動(dòng)化，無(wú)需客戶干預(yù)，成功應(yīng)對(duì)了10萬(wàn)規(guī)模管理場(chǎng)景下新舊設(shè)備混雜帶來(lái)的管理挑戰(zhàn)。

圖1浪潮信息 InManage平臺(tái)超大規(guī)模作業(yè)調(diào)度架構(gòu)

告警管道動(dòng)態(tài)分析，1000+告警動(dòng)秒級(jí)實(shí)時(shí)精準(zhǔn)響應(yīng)

在面對(duì)10萬(wàn)+超大規(guī)模設(shè)備管理時(shí)，如何避免將系統(tǒng)產(chǎn)生的告警風(fēng)暴強(qiáng)塞給客戶，如何進(jìn)行根因定位并避免誤報(bào)、漏報(bào)，是數(shù)據(jù)中心統(tǒng)一管理的另一挑戰(zhàn)。為此，InManage提出了CDCAlarm告警管理框架，突破了告警集成管理技術(shù)，實(shí)現(xiàn)了告警的及時(shí)性、準(zhǔn)確性和全面性，同時(shí)支持告警分析、聚合及根因分析等功能。該框架能夠?yàn)榭蛻舫尸F(xiàn)按優(yōu)先級(jí)排序和分類聚合的告警，直觀易懂、方便用戶進(jìn)一步處理。

InManage使用AI技術(shù)手段對(duì)告警進(jìn)行分類、分批處理，實(shí)現(xiàn)告警按來(lái)源、種類的歸并聚合策略，在保證告警時(shí)序性的同時(shí)，提升了告警處理的整體吞吐量。同時(shí)使用基于AI的根因定位方法，快速?gòu)母婢L(fēng)暴中準(zhǔn)確識(shí)別出故障根因，并呈現(xiàn)給客戶，有效解決了客戶在面對(duì)告警風(fēng)暴時(shí)無(wú)從入手的局面。

同時(shí)，針對(duì)超大規(guī)模監(jiān)控場(chǎng)景下常見的誤報(bào)漏報(bào)等告警不準(zhǔn)確、不及時(shí)問題，InManage也做了優(yōu)化。

秒告警秒恢復(fù)問題：在10萬(wàn)+設(shè)備的管理中，某些設(shè)備可能在發(fā)出告警的同時(shí)又快速發(fā)出了恢復(fù)信號(hào)，甚至可能出現(xiàn)恢復(fù)信息先于告警到達(dá)。在此場(chǎng)景下，傳統(tǒng)系統(tǒng)容易誤判為告警未恢復(fù)，從而導(dǎo)致誤報(bào)。InManage的智能告警歸并技術(shù)能夠有效識(shí)別和規(guī)避此類時(shí)序問題，確保告警處理的準(zhǔn)確性。

告警噪點(diǎn)問題：在資源利用率實(shí)時(shí)采集場(chǎng)景下，短暫的峰值可能導(dǎo)致瞬時(shí)超閾值的告警，但整體使用率卻保持平穩(wěn)。為避免因這些噪點(diǎn)導(dǎo)致的誤報(bào)，InManage的告警管道采用了智能識(shí)別和計(jì)數(shù)技術(shù)，能夠?qū)Χ虝r(shí)間內(nèi)的同類告警進(jìn)行聚合處理，從而徹底消除此類誤報(bào)。

告警遺漏問題：在大規(guī)模數(shù)據(jù)中心中，由于網(wǎng)絡(luò)負(fù)載高，SNMP協(xié)議中的Trap信息（基于不可靠的UDP傳輸）更容易丟失。為解決這一問題，InManage提出了融合多種協(xié)議和多源數(shù)據(jù)的AI智能預(yù)警技術(shù)，該技術(shù)可提供全天候的設(shè)備實(shí)時(shí)監(jiān)控和故障分析，有效降低了告警遺漏的風(fēng)險(xiǎn)，減少客戶業(yè)務(wù)隱患。

圖2 浪潮信息 InManage平臺(tái)告警分析與處理架構(gòu)

穩(wěn)定、快速和高效的超大規(guī)模監(jiān)控

在10萬(wàn)+大規(guī)模設(shè)備管理環(huán)境中，InManage系統(tǒng)表現(xiàn)出了穩(wěn)定的性能與高效的運(yùn)作能力，確保了數(shù)據(jù)采集任務(wù)得以平穩(wěn)且迅速地執(zhí)行，顯著增強(qiáng)了系統(tǒng)的整體處理能力，有效規(guī)避了任務(wù)積壓?jiǎn)栴}。面對(duì)每日高達(dá)近30TB的服務(wù)器運(yùn)行狀態(tài)數(shù)據(jù)洪流，InManage每秒可處理高達(dá)1000條的告警風(fēng)暴，響應(yīng)延遲維持5秒以內(nèi)，保證了系統(tǒng)監(jiān)控的實(shí)時(shí)性與準(zhǔn)確性。

此外，InManage還具備對(duì)歷史數(shù)據(jù)進(jìn)行高效壓縮與無(wú)縫轉(zhuǎn)儲(chǔ)的能力，在保障當(dāng)前系統(tǒng)流暢運(yùn)行的同時(shí)，確保了歷史數(shù)據(jù)的完整性與可訪問性，有效避免了數(shù)據(jù)丟失的風(fēng)險(xiǎn)。在如此龐大的規(guī)模下，InManage仍能快速查詢一年內(nèi)的歷史告警或事件通知，響應(yīng)時(shí)間縮短至2秒以內(nèi)，為客戶提供了強(qiáng)大的歷史問題追溯能力，確保問題根源得以迅速定位，為系統(tǒng)的長(zhǎng)期穩(wěn)定運(yùn)行提供了堅(jiān)實(shí)保障。

InManage滿足了客戶對(duì)于大規(guī)模、多元化、多類型設(shè)備的統(tǒng)一帶外管理，確保了數(shù)據(jù)的穩(wěn)定采集及告警集中高效監(jiān)控，同時(shí)還具備基礎(chǔ)設(shè)施全生命周期資產(chǎn)管理、自動(dòng)化部署管理等能力。其大規(guī)模統(tǒng)一帶外管理技術(shù)、告警智能化分析技術(shù)水平處于國(guó)內(nèi)領(lǐng)先水平，授權(quán)國(guó)家發(fā)明專利超過20項(xiàng)。未來(lái)，InManage也將更加關(guān)注客戶需求的變化，不斷優(yōu)化產(chǎn)品和服務(wù)，為客戶提供更加全面、高效、智能的解決方案，助力客戶實(shí)現(xiàn)數(shù)字化轉(zhuǎn)型和業(yè)務(wù)升級(jí)。