随着公有云的成熟以及稳定，越来越多的企业选择将业务上云，同时随着DevOps技术的深入人心，如何在云上搭建稳定安全的DevOps体系，解决自动化运维过程中的各种难题，如分权管理、CICD、监控告警等，最终实现效率的提升和成本的下降，是运维人一直在思考的议题。本文将围绕这些问题展开，与大家分享讨论阿里云DevOps自动化运维技术实践，以提升云上运维效率。

演讲大纲

1. 云上DevOps的挑战与痛点
2. 如何进行细粒度的权限控制？
3. 如何弹性地CICD和自动化？
4. 监控告警和度量体系
5. 未来展望

听众受益

• 了解企业转型发展上云DevOps流程和最佳实践
• 了解阿里云自身的场景实践和技术落地
• 如何更好地提升云上Devops效率

在生产环境的PaaS平台中，为了应对流量增长、负载尖峰、硬件升级、大规模局部故障等，通常需要留有一定的资源冗余。百度Feed后端服务在全网提供超过4个9的可用性，为了应对极端情况，各个地域的PaaS集群在设计上都有一定资源冗余。此外，为了控制成本，业务迭代需要取得合理的投入产出比之后，才能正式上线推全。因此，我们结合推荐系统的业务特点，设计并实现了一套介于在线和离线之间的弹性近线计算架构。相比于在线计算，近线计算突破了在线计算的速度限制，为业务计算提升复杂度提供了更大空间；相比于离线批量计算，提供了时效性更强，稳定性更更高的策略计算方式。通过弹性的近线计算架构设计，在速度、成本和业务复杂度之间提供了更大的折中空间，充分利用冗余资源进行计算，为业务提供廉价算力，累计降低了超过10%的在线计算资源成本。

演讲大纲

      1. 背景介绍

• 推荐系统业务特点&百度Feed架构简介
• 在线、近线&离线的基本概念弹性近线计算架构设计与实施

      2. 业务近线计算方案设计

• 从冗余资源到可用的廉价算力的资源超发机制
• 算力反馈、预估和计算参数动态调整
• 计算量触发控制与调度
• 历史计算信号&计算结果复用

     3. 弹性近线计算推广落地案例分享

• 百度Feed推荐队列服务在线&近线混合召回计算
• 搜索服务落地近线计算机制分享

     4. 总结与展望

听众受益

• 利用冗余资源获取额外算力的机制
• 策略&架构联合设计，安全的利用超发资源的设计思路
• 有效利用流量低谷期资源的架构实践

随着AI的发展，应用对AI需求的爆发，日益增加的业务复杂性和急剧扩张的业务规模给稳定性带来了极大挑战。为了能在平台稳定性方面取得质的提升，讯飞 AI Cloud 运维团队在 2018 年开始向 SRE 团队转型，针对 AI 业务的特性，基于容器等相关技术建设 SRE 系统工具，并在 2019 年创造了 212 天无故障的记录。本次演讲将重点分享讯飞 AI Cloud 是如何通过容器、Kubernetes、Prometheus 等云原生技术栈与 SRE 理念的结合，实现 SRE 系统工具的建设，以及在 SRE 团队转型方面的经验和思考。

演讲大纲

1. 团队 SRE 转型

• AI服务运维的难点和挑战
• 传统运维向SRE的转型实践

2. 基于 Prometheus、Zabbix 的问题发现

• AI 服务全链路的多维指标采集和根因分析
• AI 服务海量监控指标下的告警信噪比优化

3. 基于 APM、EFK 的故障处理：

• 大规模 AI 服务的快速排障和应急实践
• 故障自愈探索实践

4. 基于 Kubernetes 的容量管理

• AI 服务超大模型资源的快速更新实践
• 跨 AI 服务的自动化弹性调度实践

听众收益

• 了解传统运维向 SRE 转型的实践经验和收益
• 了解讯飞 AI Cloud 基于云原生技术加速SRE转型的实践经验
• 了解讯飞 AI Cloud 在监控指标采集、根因分析和告警优化上的实践经验
• 了解讯飞 AI Cloud 在快速排障、故障自愈上的探索实践
• 了解讯飞 AI Cloud 在自动化容量管理上的实践经验