如何应对大数据时代的运维挑战？

Question

如题所述

Answer 1

在企业内部也是一样，当大量的生产和经营数据集中在数据中心，一旦人们与数据中心因为IT故障而失去联系，停滞的也许不是个人应用受阻这样简单的后果。为了应对大数据下的新业务需求，传统的IT运维管理就需要针对数据中心基础架构做出改变，这种进化包括针对虚拟化和服务交付能力的调整，以及IT与业务融合所必备的方法和工具。 数据中心迎来了“按需配置”的变革 过去，每次当我们的数据中心的业务容量不足的时候，就会想到增加更多的硬件、设备来满足客户需求。但在海量数据汹涌来袭的时候，这种增加都是被动的、延迟的。据统计，互联网上的数据每两年翻一番，而目前世界上90%以上的数据都是最近几年才产生的，这为大数据概念的横空出世做好了准备。数据的增长超出了我们的预期，那么是否可以找到一个办法，让我们可以对业务部门提供一种“按需分配”的低成本方案呢？虚拟化技术以其降低成本、灵活性，以及动态的扩容特性，给出了最佳的答案。 许多企业希望采用云计算和虚拟化技术实现“按需配置”的基础环境、服务等级，实现更低的成本和更高的盈利。然而，要从大数据这个藏量巨大的金矿中淘到金子，并没那么容易，传统架构下的IT运维管理与成熟的虚拟化技术并没有齐头并进。 首先，虚拟机一旦出现故障，如果不能及时恢复，这个损失可能远远超过节省电源和空间的费用。其次，虚拟机的灵活性对IT运维中的“配置管理”可谓是一杯毒酒，泛滥的迁移和扩容会让IT基础设备重新回到混乱的过去。在传统数据中心，管理员可以确定地表述：我的数据库在服务器A上运行，这台服务器与交换机B进行连接并使用存储阵列C，它们的性能指标都非常良好。但动态数据中心采用虚拟化技术后，解耦了这种关系，更具伸缩性，或是随意的（人们对“灵活性”的误读）利用这些基础设施资源。业务系统可以位于服务器集群中的任何计算节点上，可以利用任何存储设备上的存储空间，可以使用虚拟网络，也可以进行转移以满足性能或运营需求。但这些优势，却在IT运维管理中造成“看不见”、“说不清”的严重问题。 虚拟化运维管理的“两大难题”如何突破？ 如果你都不知道自己的IT环境里有什么，就别指望控制、维护和提高它们。因此，配置管理和性能监控在任何时候都没有变，它们只是进化到了更高的阶段。 作为国内领先的IT运维管理专家，北塔软件认为：IT运维管理不是一蹴而就的，更不是一成不变的，大数据情形下的网络管理将要应对更多的技术和管理层面的挑战。之前，针对基础设施的监控一般侧重对物理设备、物理网络、物理存储的管理，而虚拟化后的变更操作变得越来越简单，但这会使得一些虚拟机脱离管理的范围，尤其是在配置管理和性能监控两个方面。管理人员需要对新增的虚拟网络、数据存储、虚拟机、ESX/ESXi主机数量、集群对象提供一种与之配套的IT运维管理工具。 从改进配置管理开始着手是很重要的一步，因为这可以清晰地呈现出不断变化的虚拟机、物理服务器、存储和网络资源之间的关系。另外，随着每台物理机上托管的虚拟机数量增多并提高了整体利用率，性能测算与监控的重要性也在攀升。为了预防虚拟机密度过大，或者利用率不足的问题（虚拟化之后，这个问题并没有完全消除），运维管理人员必须拥随时调整物理主机的承载力。 为了消除用户大数据时代的运维顾虑，在全面提供了对主机、网络、机房等领域的管理解决方案之后，北塔软件在北塔BTIM（BetasoftIntegratedManagement，IT综合管理软件）中增加了针对VMware虚拟化管理和FC-SAN存储管理解决方案。

Answer 2

企业数字化转型的进程正在不断加快，伴随新技术、新业务的涌现，各行各业的运维数据类型更加复杂化、多元化、巨量化，数据的使用场景也变得越发丰富，这导致想要使用数据的时候会出现无数据可用、有数据不可用等情况。

在过往的案例中，我们发现客户们的企业往往存在以下痛点：

01 数据孤岛、数据烟囱

数据孤岛可能是人为主观不共享、客观数据安全和敏感性等问题，导致数据间关联性不够无法有效连接。

02 数据不可知且不会用

常见数据使用问题包括，都有哪些数据?数据与业务间的关系?是否有解决问题的关键数据？

03 数据质量低，不好用不想用

无数据质量管理标准和管控手段，数据各管各的，低质量数据难以利用，数据价值被埋没。

04 数据服务能力薄弱

数据消费场景明确，却拿不到数据，数据获取成本高，需求难以被快速满足。

05 数据标准化程度低

运维数据格式多，管理各自为战，无统一数据标准，跨部门数据应用成本非常高。

对此，我们擎创科技的解决方案对应这些痛点具有以下亮点：

01 数据治理，制度先行

协助客户建立数据治理组织与制度，在数据治理过程中，所有问题都有人负责、有制度可约束、有流程可依、有原则可守。

02 拆烟囱、连孤岛、数据标准化

通过平台治理能力对数据实现统一纳管和应用。协助客户建立统一指标体系实现数据标准化，为数据服务和应用奠定坚实基础。

03 质量管控闭环，服务之基石

高质量的数据才具备可行性，客户才能用的放心。平台对数据质量进行多维度监测、跟踪、优化，保证数据质量达到可信可用的标准。

04 场景驱动，服务至上

以终为始，数据治理的目标是让数据更好用，而且让数据用的更好。通过该方案的数据治理解决能力，不断丰富和创新数据服务和应用场景，从而最大化发挥数据价值。