本帖最后由 爱疯熊猫 于 2016-1-19 21:46 编辑
腾讯互动娱乐事业群的主营业务是游戏，所有腾讯游戏都是由这个事业群做的，估计很多人都玩过，像《英雄联盟》、《全民突击》等。我所在的部门叫运营部，负责所有腾讯游戏的技术运营工作。
简单解释一下，什么叫技术运营工作，这里包括了几个部分：运维，营销开发，数据分析和数据挖掘，用户运营（所谓用户运营，不是传统的客户服务，是一些高端的用户运营。）
比如说在腾讯游戏上一年花八万，就是我们的VIP，我们有专属的服务经理对接，就像银行的VIP用户一样。这里就不展开了，重点说说我所负责的运维管理工作吧：
如上所说，我们所负责的运维工作，是运营部的一部分工作。我们现在运维了几百款游戏，而且数字还在快速增长，特别手游加入以来，每年都有一两百款。
简单介绍一下腾讯游戏运维团队的发展历程：我们团队是2003年随着腾讯代理《凯旋》游戏而成立的，发展到2005年的时候，我们做了一件事情，就是DO分离，DO分离的概念前些年提得比较多，现在大家好像不再提了。回头来看，我们觉得DO分离是很有必要的，因为开发跟运维需要具备的核心能力是不同的。
接下来，在2006年的时候我们做了QO分离，意思就是我们把质量管理团队（QA）和运维分离开了，这个后面我会再讲一下。随着团队进一步扩张，业务进一步增加，2007年的时候我们把DBA专业团队分离出来了。
到2009年的时候发现业务发展很快，老板不给我们这么多人，怎么办？光靠人去填的模式已经运行不下去了，所以当时成立了运维开发团队，专门建设运维工具。同时在2009年我们还成立了一个内部安全团队，这个团队可能很多公司都没有，比较特殊。
因为大家知道游戏行业，有些游戏类道具非常值钱，说不准哪个同学手一抖给自己加个几十万，所以我们成立了内部安全团队，做安全监控，其中也包括权限控制，大家都知道，自动化系统权限控制非常重要，如果这个没控制好就会出现灾难性后果。
时间到了2012年，我们开始提倡运维转型，鼓励运维向运维开发转型，让运维自己开发所需的工具来实现自动化。现在，我们提倡运维服务化和平台产品化，这个后文会提到。
接下来，我从文化、组织、人、流程、工具这几个维度分享一下运维管理的点滴经验。
我们团队的运维文化
运维文化：当一个团队规模较大时，例如我们团队，有两三百人的规模，这个时候我们可能需要一些文化层面的东西来统一大家的思想，让大家在行为上按照我们的文化来思考和执行。
我们目前提倡的文化，叫“运维四化”：服务化、标准化、自动化、产品化。标准化和自动化大家都比较好理解，我就不讲了。重点强调一下我们为什么提出运维的服务化。
为什么要“服务化”？
运维的本质到底是什么？
我从2002年开始做运维，一直到现在，都算是在运维行业里摸爬滚打，以前，我觉得做好发布变更、故障处理，让业务保持运行稳定就是运维的价值，但通过这几年的思考和实践，我觉得那是不够的。
那么运维的本质到底是什么呢？我觉得是服务，是服务于业务，因为运维是用技术解决业务问题，运维的价值要依托于业务才能体现。
运维不是因为技术高深，或者管理了几万台服务器而很牛逼，也不是能玩转很多开源工具而很牛逼，这都不是运维的关键。
我提一个观点：对于运维来说，服务第一，技术第二。运维技术再牛，如果不能服务于业务，帮助业务取得成功，那价值也是有限的。那么怎样服务业务呢？我们总结了四点：
1.贴近业务：就是我们一定要与业务走得比较近，保持信息的畅通。
2.理解业务： 要知道业务目标是什么，用户群是什么，商业模式是什么样的。之前我见过很多运维，甚至在公司做了半年、一年，还不知道所运维的业务的商业模式是什么，这样的话，我们怎么能有针对性地提供服务，去帮助业务成功呢？ 理解业务还意味着要站在业务运营的角度思考问题，而不仅仅站在运维的角度思考。
3.挖掘需求背后的价值：我们经常会收到运营人员提出的需求，在理解业务的基础上，我们要挖掘这些业务需求背后的价值，比如说运营人员让发一个版本，做为运维，我们是不是把这个版本发布完就OK了呢？
肯定是不够的，我们还要去看业务发这个版本的目的是什么？可能是为了拉新用户，也有可能是做个活动去拉收入，或者是修复bug。
每一个版本的目的不一样，运维所做的事情是可以不同的。比如这个版本是拉新用户，我们把版本发布完以后，还可以采集更多的数据，去帮助运营人员分析，看是不是达到了拉新用户的目的。或者协助运营人员分析，这个版本的用户体验对于拉新用户是不是有瓶颈。这都是运维可做的事情，也是业务运营很需要的事情。
4.扩展服务价值：着眼于业务和服务，我们可以不断挖掘到新的价值点，扩展运维服务的价值。
当然了，这里绝不是说技术不重要，优秀的运维服务需要强大的技术来支持。举个例子，你想协助运营人员做用户体验的分析，这需要较强的技术能力来支撑。因为像上述的版本数据分析对实时性的要求很高，如果你没有及时分析出来，错过了运营时机可能就来不及调整了。
可以说，业务视角和服务意识决定了运维服务可以拓展到哪里，而技术能力则决定了这些服务最终可以实现多少。
前文讲了我们的历程，在2009年，我们做了一些组织分工，我们DBA团队，开发团队，安全团队都从这里分离出来了。
关于组织
这里想分享的经验是：当团队和业务发展到一定规模的时候一定要考虑到专业化分工，业务和团队规模小的时候没必要分的太细，因为业务场景对专业性的要求可能不高，随着业务发展和团队变大，专业性的要求就高了。
所以我们现在的内部划分成5个角色，第一个角色是运维规划。大家可以认为它是运维的PM，他起到的作用是充分理解业务需求，挖掘需求背后的价值，同时他也熟悉运维内部的各种资源，可以协调各种资源来满足业务的需求。这些运维规划都是从运维成长起来的，懂运维。
第二个角色业务运维，这个就不讲了，大家都清楚。
第三个角色DBA，大家都知道DBA的重要性，他们最重要的职责之一就是要保证数据的安全。一个业务，就算是遇到像携程这次的情况，就算全部线上环境都没有了，但是只要数据还在，业务都还是可以恢复的，但如果连数据都找不到了，那就真完蛋了，所以DBA一定是独立的，一定要保证数据是万无一失的。
系统运维这个角色也不说了，大家也比较清楚。
还有就是运维开发的角色，我们觉得运维开发不是传统的开发，运维开发首先是运维，其次才是开发，他们需要站在运维视角看问题的，站在运维视角开发工具给运维用。
关于人员管理和培养体系
组织里最重要的是人。在一个一定规模的团队里，建立人员的成长和培养体系是很重要的，尤其像规模到几百人的时候，我们怎么样保证团队里的同学们具备相应的能力和成长空间。
在我们团队里，有一套运维的成长体系，运维同学希望从事管理或者协调方面的工作，可以往运维规划方向发展；如果希望从事开发方面的工作，可以向运维开发方向发展。
配合成长体系，有一套培养体系。新人加入以后，首先有新人培训。这里所培训的内容都是与运维相关的，比如运维系统的培训，在新人培训里有专门的篇幅是安全意识相关的，从刚入职开始就灌输安全意识。此外，新人培训中还包括腾讯游戏运维血泪史，通过分享之前的教训提高新同学的运维操作意识。
新人在入职以后到转正有三个月，在这三个月中，一般情况下新同学不能独立操作正式的运营环境。只能在导师的带领下操作。
那怎么才能具备独立操作能力呢？需要考运维上岗认证，这个认证包括考试和评估两个环节，考试的内容大部分是新人培训的内容，例如安全意识、运维操作规范等。
评估的形式是几位资深的运维现场对被评估者进行评测，考察他们在各种场景的理解和反应，这些是不能通过背书本知识来回答的，所以还是比较考验新同学的能力和意识的。
通过上岗认证后会拿到一个上岗证，以前是会发一个红色的证书，现在不发实体证书了，变成电子的了。这个上岗证后面还有一个作用，后面我会讲到。
新同学转正后，日常工作中会接触到很多技术培训和分享，这些大部分是由内部同学贡献的，当然也有公司内外部的各种培训资源。
当某位同学在团队内工作了一段时间之后可能会面临成长的问题，我们会挑选出有潜力的同学上运营规划培养班或运维开发培训班。这两个培养班分别培养运营规划和运维开发。拿运营规划培养班做例子，选定的同学经过半年的培养后通过考核才能成为的运营规划，通过率大概在40~60%。
运维人员的考核体系
运维人员的考核分为几个部分：
第一，业务指标。
业务指标就是业务的一些关键性指标，比如可用性、发布效率等等，还有很多其他指标。这些指标的作用是评估运维人员的基础工作完成质量，这是由QA，就是前面所述的质量管理团队统计的，不是运维自己上报的，这样可以保证其客观性。
第二，关键事件。
关键事件是运维自己制定的，用于引导运维不断优化工作。这个关键事件每个月定一次，由运维和他的leader和运维规划三方一起制定。
举个例子，我们发现某个游戏它的发布时长过长，就可以把发布时长优化做为这个游戏的运维人员这个月的关键事件，目标是把这个业务的发布时长从多少降到多少。制定关键事件的目标时比较细，要求是量化的，月底时运维根据完成情况获得关键事件的得分。
第三，加分项目。
例如做分享和培训都可以加分，积极参加团队建设也可以获得加分。
第四，扣分项目
我们的考核思路是尽量用正向加分的方式引导，一般不扣分。除非是人为失误造成业务故障。所谓人为失误指运维操作不当造成的问题，我们对人为失误持“低容忍” 的态度，因为我们觉得做为运维，意识是非常重要的，操作时要时时刻刻秉持小心谨慎的态度，抱着敬畏的心情对待运营环境。
如果出现人为失误造成业务故障的情况，对于个人会有什么影响呢？
前面提到的运维上岗证的另一个作用就在这里了，大家都知道违章后驾照扣分这项处罚措施挺有威慑力的，我们吸取了经验，对运维上岗证也实行积分扣分制度：运维上岗证每半年都有10分的积分，如果出现人为失误的故障就从中扣除一定的分数，如果分数扣完，上岗证就会被注销，那么这位运维就需要被评估是否适合在运维岗位上继续工作了。
当然，这个扣分制度的目的肯定不是为了处罚，主要还是希望通过这种方式提高大家的操作意识，避免人为失误。有的同学可能会问，为什么不靠自动化来降低人为失误，而要用这种考核手段？
这里我想说，根据我们的经验，游戏运维是很复杂的体系，特别是团队大了以后，自动化程度再高还是有很多人为失误的空间，最终的决定性因素还是人，所以，意识强化和考核手段还是不可或缺的。
关于流程的几点思考
流程的本质就是管理和控制，其实大家做的每一件事情都有流程，随便做一个发布，做的这些步骤就是流程，所以流程其实是无处不在的。
很多运维同学都觉得流程好麻烦，觉得流程就是给运维的桎梏，其实用好流程是可以保护运维的。我们很多时候需要跟运营和研发配合，如果用好了流程这个工具是可以保护运维利益的。
但是，流程执行起来的确有成本，那怎么降低流程的成本呢？
我们觉得流程应该“隐形化”，就是让流程融入到运维系统中，让运维同学不用花额外的精力去执行流程，感觉不到流程的存在，让流程起到控制作用的同时，尽量不降低我们的效率。
关于工具建设的几点思考
首先，我们认为工具的建设者必须是工具的使用者， 要懂得应用场景，否则的话，造出来的工具是不好用的。因为在这里我们是吃过一些亏的，刚才提到2009年我们就建立了运维开发团队，但是到2011年发现我们工具覆盖的情况还是不够好，运维不愿意用，我们建立的是专业的开发团队，有产品经理、开发、测试，但是为什么做出来的工具就不对运维的胃口呢？
我们后来发现，开发团队并不懂运维场景，虽然他们也会做很多运维需求的访谈，但总是发现做出来的东西不是运维想要的。
所以后来我们改变了工具开发的模式，改成在运维中培养运维开发，让运维开发自己开发工具给自己用。这样的话，为了降低开发成本，我们做了蓝鲸平台，运维只要经过两周左右的培训就可以在蓝鲸上面开发工具。
标准化是自动化最重要的一个基础，如果没有标准化的话自动化是不会长久的。如果业务之间架构差异过大怎么办呢？可以降低标准化的维度，比如我们去实现原子操作的标准化。
了解的同学应该知道，游戏架构是很不标准化的，游戏不像Web应用，有很多框架模型，它没有，各家厂商各做各的，因此我们只能做原子操作的标准化，然后再在其上去组装各种场景作业。
我们做自动化一定要打通企业内的各个信息孤岛，全流程的自动化才是真正的自动化。只有都打通了，在作业执行过程中才不会中断，可以实现无人值守的自动化，蓝鲸平台就是这样的，它有一条ESB，打通了很多外部的系统接口。运维在蓝鲸上开发工具需要打通其他系统的直接调用就行了，大大提高了开发效率。
产品化：运维平台要以产品理念建设
最后，我想说的是，前面提到运维文化中有一个产品化，为什么提产品化？因为我觉得运维平台是要以产品的理念来建设的，这里包括很多的层面，这里就简单提其中一点：重视平台的用户交互。以前，大家觉得运维平台是内部系统，能用就行，交互好不好无所谓。
但是我们发现，内部平台也需要交互优良，如果交互不好的话，可能有以下负面作用：一是交互不好容易造成误操作的情况引发故障；二是交互不好，很难用的话可能会被内部用户抛弃，被新的系统或平台替代。
所以，运维平台做为内部平台，也需要重视用户的交互，一定要有良好的界面，要让用户操作起来比较方便而且不容易发生误操作。
编辑回复