第5章：运维（Operations）

一、导读

1.1 本章学习目标

第5章讲解生产环境的运维实践：监控、告警、日志、故障排查和应急预案。

1.2 为什么第五章如此重要

运维是软件生命周期的最后一环。好的运维实践可以快速发现和解决问题，保障系统稳定运行。

1.3 核心问题引导

如何设计有效的监控和告警？

日志管理有哪些最佳实践？

故障排查的系统方法是什么？

应急预案如何制定？

二、核心概念详解

5.1 监控与告警

监控三支柱：
- 指标（Metrics）：CPU、内存、QPS、延迟
- 日志（Logs）：事件记录
- 链路追踪（Traces）：请求在系统中的路径

告警原则：
- 可操作：每个告警都有对应的处理方案
- 分级：P0（立即处理）→ P3（工作时间处理）
- 不滥报：避免告警疲劳

5.2 日志管理

日志最佳实践：
- 结构化日志：JSON 格式
- 日志级别：DEBUG → INFO → WARN → ERROR
- 上下文信息：请求ID、用户ID、时间戳
- 集中式日志：ELK Stack、Loki

示例：
{"level":"ERROR","ts":"2024-01-15T14:30:00Z",
 "msg":"Payment failed","requestId":"abc123",
 "userId":"user456","error":"timeout"}

5.3 故障排查

系统化排查方法：
1. 确认问题：什么症状？什么时候开始？
2. 收集信息：日志、指标、链路追踪
3. 假设原因：列出可能的原因
4. 验证假设：逐一验证
5. 修复问题：实施修复
6. 事后分析：根因分析，防止复发

5.4 应急预案

应急预案模板：
- 场景描述
- 影响范围
- 处理步骤
- 回滚方案
- 联系人

定期演练：
- 每季度一次故障演练
- 模拟真实故障场景
- 验证预案的有效性

三、实战案例

5.1 监控告警配置

yaml

# Prometheus 告警规则
groups:
- name: app-alerts
  rules:
  - alert: HighErrorRate
    expr: rate(http_requests_total{status=~"5.."}[5m]) > 0.1
    for: 5m
    labels:
      severity: critical
    annotations:
      summary: "High error rate detected"
      description: "Error rate is {{ $value }} errors/sec"

四、本章小结

运维实践保障系统稳定运行。监控告警要及时准确，日志要结构化集中，故障排查要系统化，应急预案要定期演练。

五、思考与练习

如何设计有效的告警规则？

日志管理的最佳实践是什么？

故障排查的系统方法是什么？

如何制定和演练应急预案？

可观测性和监控有什么区别？