运维工作经验总结:逃离系统故障的十个心得

系统故障，对于 DBA或是运维人员来说，都是心中永远的痛。而避免故障的原则却是殊途同归，现列如下，与君共勉。

一、变更要能回滚、先在同样的环境测试过

?

佛说：每次创伤、都是一次成熟，这便是运维人员的真实写照。

从某种意义上讲、运维是一门经验的学科、是一门试错的学科。没有做过的东西、总是会给你不期而遇的痛击，请保护现场，让变更有回头的机会。

二、对破坏性的操作谨慎小心

什么是破坏性的操作？

比如：对 Oracle 而言：truncate table_name、delete table_name、drop table_name，这些语句执行起来轻松简单也惬意极了、但记住！即便数据可被回滚、代价也是非常大！

对 Linux 而言：

rm -r

所有当前及其子目录的所有数据都将被删除。经历过这种故障的人、大多会给 rm 上个别名。

alias rm='rm -i'

同理，cp 和 mv 也可以有同样的选项：

alias cp='cp -i'

alias mv='mv -i'

三、设置好命令提示

在操作之前、先理清你所在的是主库、备库？当前目录？哪个 schema？session？时间？

比如：对 Oracle 来讲：

[plain] view plaincopy

idle> set sqlprompt 'RAC-node1-primary@10g>>'

RAC-node1-primary@10g>>

当然、你也可以在 glogin.sql 里面设置。

对于 Linux 而言、bash 环境的提醒可设置 PS1 来知道当前目录、登陆用户名和主机信息等；

对 PS1 更多理解、请见：man PS1

?

四、备份并验证备份的有效性

人非圣贤、岂能无过？是机器总有计划内或计划外崩溃的一天。怎么办？备份！！！

备份的学问很大、按照不同的维度可以分：冷备和热备；实时和非实时；物理和逻辑。OLTP 7*24 在线业务、DB 就需要有实时热备。这样就可以了吗？

如果开发人员的一个不带任何条件的 delete 误删所有数据，此时你除了实时、还需要有非实时的备份、把 DB 从逻辑错误中恢复出来。

备份有了、可以高忱无忧了吗？不行！尚须验证备份的有效性。一个总有那么几次、备份无法保证 100% 恢复，简单的验证就是找个空库恢复出来。

五、对生产环境永保敬畏之心

会计人员在从业之前、都有个职业操守的训练。同理、这也应该是运维人员进入行业首先需要具备的素养。

比如：

?

于 Oracle 而言、你可以跑一个 RDA 巡检 DB 的健康状况；于 Linux 而言、是否有 password aging、隔离外网等。

?

六、交接和休假最容易出故障、变更请谨慎

接手别人的工作要一而再、再而三的确认变更方案。请教人并不见得就是能力不行的表现；

休假前最好各种可以做好的事情，最好能够准备一份文档，指明在什么情况下怎么做和联系哪些人；

在别人放假的时候接手工作，“能拖则拖”，实在需要执行：必须不厌其烦的跟原运维者确认各个操作细节。

七、搭建报警、及时获取出错信息；搭建性能监控、预测趋势

?

运维人员赖于生存的工具就是报警和监控。

?

报警可以让你及时知道系统出现了什么异常、以便及时跟进、把故障扼杀于摇篮；

监控可以让你了解系统的历史性能信息、以历为鉴、可以知兴替嘛、早做优化。

报警和优化是衣宽带水的好兄弟、相铺相成、互相促进。

八、自动切换需谨慎

比如：Oracle 存储级的HA方案：Data Guard，主库提交了一笔订单，结果发生了 switchover，这笔订单没有同步到备库，那么卖家损失了一个销售单、对客户、对公司都是损失。

九、仔细一点，偏执一点，检查、检查，再检查

有这么一个人：

1、他在做一个变更的时候，会先提前一两周发送邮件并电话手机通知相关人；

2、在测试机上写好脚本，召集大家 review 操作步骤和脚本；

3、测试完成以后拷贝到生产环境；

4、录对应机器，“打开，关闭，打开，关闭”该脚本；

5、跟相关人员再次确认执行的操作、顺序、时间点，可能的影响和回滚是否都准备好了；

6、行前还要退出这个机器，然后再登录进去，“打开，关闭”脚本；

7、后才在后台运行脚本，同时在另外一个窗口登录着，随时ps和查看结果输出。

期间姿势端正，呼吸急促而均匀，眼神凝重。操作的人不觉得累，倒是一边学习的人很累。

十、简单即是美

服务器运维管理软件——云帮手，帮助运维人员提供一站式多云管理服务，包括安全巡检、资源监控、环境搭建、站点管理、安全防护等，替代繁杂命令行，实现一站式简单操作，提高运维效率。????