演讲简介

企业在完成云原生架构升级之后，面对复杂系统所特有的嵌套、波动、不确定和模糊性，IT 运维往往陷入困局难以适从。浙江移动结合自身企业特性，多年来坚持 AIOpsDev 理念，持续加速IT运维的数智化转型。以应用为中心，围绕缩减 MTTR、提升 MTBF、降低变更风险、控制故障半径四个目标，通过分层自愈和流量回放等方式建设反脆弱能力，实践混沌工程以提升内生反脆弱能力，结合一站式的应用运维定界分析平台的演进，总结出了一套弹性管理的实践经验。

演讲提纲

1. 浙江移动云原生架构升级的背景、历程和挑战
2. 弹性管理体系的整体思路和实施路线图
3. 复杂系统的稳定来自于反脆弱能力 
   • 监控：应用运维的定界分析平台实践
   • 发布：灰度发布和流量回放压测实践
   • 环境：外挂式分层自愈降低环境干扰
   • 架构：线上环境的混沌工程治理实践
4. 云原生给传统企业带来的价值思考

你将获得

1. 了解IT运维如何提升弹性管理能力
2. 了解应用运维的一站式故障定界的原理和实现
3. 了解如何快速搭建流量回放压测能力
4. 了解如何控制线上环境混沌工程的实施风险

智能运维是近几年的热门话题，其中智能检测作为故障响应的发端，又是热点中的重点。怎样可以把开创性的技术工作，结合业务痛点，呈现具体价值，是每个实践智能检测的运维人员都关心的问题。

本演讲结合 eBay 运维中心一线人员场景，介绍eBay如何立足现有的开源 Promethus 监控平台，开发多种算法，集中在 Promethus 框架内，对关键性业务指标完成智能预警，并且大幅提升运维中心对业务指标异常的检出率和检测一致性。我会和你探讨一条智能检测的实践之路，并且该方案最终在线检测准确度长时间保持在90%以上。

演讲提纲：

1. 智能检测工作的挑战
   • 智能检测的需求在哪里？
   • 运维数据的标注在哪里？
   • 基于算法还是基于规则？
2. 如何开展有效的实验室工作
   • 场景为王
   • 数据来源于生产环境
   • 算法：知其然更知其所以然
3. 走出实验室
   • 监控数据的在线清洗
   • 智能检测的全链路延时
   • 检测算法的线上迭代

你将获得：

1. 智能检测领域的一般工作方法
2. 算法研究和工程实践的路径
3. 智能检测在生产环境下常见问题的解决思路

货拉拉每年业务飞速增长并面临全球化的业务场景，带来了大量的大数据智能的需求与挑战。在大数据场景+稳定性体系结合的领域，一线互联网公司场景有共通性，然而这个领域系统性的分享在业界的公开资料却极少。并且大数据领域具备在线、实时和离线等多样性场景，具备数据集成、存储、计算和服务等多个阶段，同时开源软件基本能力和生产级需求之间又有巨大差距，导致大数据场景下稳定性保障巨大的复杂度和特殊性。

本分享从货拉拉的实际落地经验出发，以真实案例为基础，系统阐述大数据场景下的稳定性保障落地实践和方法论，包含能力保障、流程规范保障和组织保障三方面内容，重点讲解面向年均几倍业务增长下的系统容量规划、链路高可用和故障隔离等实践思路，最后达到数据可靠性、数据准确性、核心数据链路稳定性和在线服务稳定性等系统多方位的保障能力。 

演讲大纲：

1. 背景和挑战
   • 大数据智能面临的挑战
   • 大数据场景下稳定性保障的共性和特殊性
   • 大数据场景下场景多样性（在线/实时/离线）带来的保障复杂度
   • 开源软件基本能力和生产需求之间的巨大差距
2. 保障体系建设落地实践
   • Part1：能力保障
     • 容量规划
     • 链路高可用
     • 故障隔离
   • Part2：流程规范保障
     • 研发和发布规范
     • 故障管理规范
   • Part3：组织保障
     • SRE Team
3. 总结和展望

你将获得：

1. 大数据场景下的稳定性保障落地实践真实案例
2. 通用可借鉴的稳定性保障方法论