网络工程师眼中的自动化运维

                                          引言

“网络就像wifi，没有故障的时候，就没有人意识到它的存在”，这句话有无数的翻版，但是对于网络工程师来说这就是现身说法。由于网络工程师的人数即便是在上千人的公司，也仅仅是个位数，所以他们的工作也鲜为人知 。“网络是不是有问题？”这句话几乎成了所有SRE排错时的口头禅，如果这个时候网络工程师表示沉默，或者无法拿出足够的证据，那背锅几乎是无疑的，如何让网络环境的运行状态更加透明，如何在每次业务故障的时候自证清白，这不仅是基础服务团队要关心的内容，更是整个技术团队想要了解的黑匣子。

对于SRE来说需要监控程序是否正常，对于主机组来说需要监控服务器硬件是否正常，对于网络来说我们首先需要关心网络设备是否可达。当一台TOR不可达时，基本上预示着会有一片服务器不可达，业务的痛感是相当强烈的。

网络设备的监控最好和业务监控系统尽量解藕，因为网络故障极有可能引发业务系统异常，如果恰巧导致的是业务的监控系统异常，那网络设备的告警将失去可靠性，“监控不准”且不说这个锅是谁的，这种局面会让网络工程师Trouble Shooting时陷入被动，延长了故障时间。

每一个网工在走出校门的那一刻，都已经具备基本的编程基础， 况且交换机的数量和服务器的数量有着量级上的差别，所以如果你能看懂几句python，100+的python代码即可搞定一个简易的设备存活监控的程序，Github中可搜索 NodePingManage 就是一个很好的例子，还可以通过多点部署来消除单点故障。有了这类工具， 从此全网的各个角落的可达性终于明了， 漆黑的网络环境，似乎反射出了一丝光明。

设备存活告警虽然可以预警很多异常，并且准确度很高，但是对于冗余性做的比较好的网络，能Ping通并不代表完全没问题，此时，细心的网络工程师会去看日志，这里可以反映出更多细节。对于万台服务器规模，网络设备的数量也就千台，但是逐台查看日志，人肉判断是否有异常，那简直是场噩梦。

《日志告警》程序就成为网络工程师们居家旅行必备之良品，只需要一台Syslog服务器，部署一个日志监控程序，当发现日志中出现特殊关键字，触发邮件+短信告警即可。这么高大上的工具当然需要更多的编程技巧，150+ python代码才能搞定。Github中类似的解决方法有很多，搜索 LogScanWarning 即可得到一个示范案例。

从此你可以在业务无感的情况下，发现网络中的异常， 例如：风扇转速异常／电源模块故障／ospf邻居状态抖动／端口flapping／有黑客在爆破我的设备／设备硬件parity error／模块收发光异常／Kernel报错等等。优秀的网络工程师可以在故障发生时快速定位，牛X的网络工程师可以在故障发生前就消除隐患，防范于未然。

高速公路铺的再好，也架不住车多人多。确保网络顺畅，品质优良，没有丢包，延时稳定也是网络工程师的职责 ，此时流量监控就成了刚需。业务的飞速发展体现在网络层面就是DC内流量上涨／DCI流量上涨／IDC出口流量上涨／专线流量上涨，流量监控可以准确掌握业务的高峰和低谷，当线路需要扩容时，带宽使用率是老板参考的重要数据。一般情况下线路中的流量超过50%即可发起扩容，因为这意味着当备份链路down之后，主线路将出现拥塞。

接口的Error包监控和流量监控一样，均可以通过snmp采集，OID：ifOutErrors，ifInErrors , Error包出现增量会直接影响业务的服务质量，一旦发现需要优先处理，否则业务会拎着一堆TcpTimeOut指标找上门来。当然，可以通过snmp采集的信息还有很多，例如：设备的CPU／内存／温度／防火墙的Session等，掌握这些信息对了解设备的工作环境也颇有益处，如果你要做一个自动化巡检工具，那么这些指标必不可少。市面上提供网络监控的软件有很多，例如：Falcon/Zabbix/Solarwinds/Cacti/Nigos 等，有开源的也有收费的，功能类似，此处不加赘述。

第一章中的组合拳打完之后，基本上不会出现“意料之外的故障”，所有的异常都应该有据可查，当SRE莫名其妙提出对网络环境的质疑时，你应该早已心中有谱。但是网络工程师的工作并非只有救火，日常运维工作中，经常需要配合业务发展做一些线上变更/ 机房扩建／业务类故障排查等。作为一名“懒惰”的网络工程师，程序可以帮忙点什么忙呢？

这个名词借用于Solarwinds套装中的一个组件，直译为“用户设备追踪器” ， 在中小型企业网运维中，经常会有这样的需求：

• 知道服务器的IP，请问连接在交换机的哪个口？

• 知道交换机的某个端口，请问连接的服务器的IP是多少？

• 给你一台服务器的MAC地址，怎么知道在哪个交换机的哪个口？

大型互联网公司一般会有CMDB或者网络管理平台来记录这些信息， 但是如果你是一家中小型企业的网管，没有运维研发团队做支持，并且还在沿用二层的环境（服务器网关在核心设备），那就比较费劲了。以上几个问题其实归根到底是要捋清楚三个要素的对应关系： PORT<>MAC<>IP

举个例子：

一台交换机有多个物理接口，一个物理接口下可以有多个MAC，一个MAC可以对应多个IP，或者不对应任何IP。 有了这个基本的模型，只需要做两件事情即可找到全网设备这三元素的对应关系。首先去服务器直连的交换机获取MAC表（即MAC<->PORT）， 然后再去服务器的网关设备获取ARP表（即IP<->MAC），这两张表根据MAC地址作为唯一主键即可得到 PORT <->MAC<->IP 的对应关系。 信息的获取可以通过模拟登陆或者OID采集均可，Github中也有很多类似的代码可供参考，有了这个对应关系，即便没有CMDB，你依然可以快速定位想要的信息， 普通网工查找这个信息需要5分钟， 而你只需要5秒钟。

日常网络运维工作中，经常会有一些 “简单重复劳动”，例如：为某个接口划分Vlan／给某台设备添加一条指向主机的路由等， 这些操作即没有科技含量，还占用了工程师宝贵的时间，更要命的是再简单的人肉操作，重复的次数只要足够多，总有失误的时候，正所谓“常在河边走，哪有不湿鞋”，但是在这种问题上犯错误简直是对职业生涯的抹黑，如此“鸡肋”的工作怎么才能干的漂亮？

以《自动划分交换机接口Vlan》的功能为例， 如果有一个工具只需要你提供三个参数：设备IP／端口／vlan编号， 就能自动登陆设备把特定接口划分到指定Vlan，那岂不是美哉。没错！你需要的是一个对设备封装后的接口， 现在多数网络设备厂商都会提供自己的API，无论是NETCONF还是RESTful，只要读懂了使用手册，即可通过程序轻松变更设备的配置，甚至你可以用更加”接地气”的方法，用程序“模拟登陆”设备 ，虽然这个方法在效率上比不过NETCONF和RESTful API，但是在通用性上那简直无敌，因为没有哪个厂商的设备不支持SSH或者TELNET的。

有了这个理论基础，一些简单的网络上的操作就可以通过自己封装的接口来实现变更，甚至可以把变更的权限交给业务，只要业务提交的请求是合法的，变更可立即上线生效。此时，肯定会有人大惊失色！把网络设备的权限交给业务，这样真的好么？万一改坏了怎么办…所有的疑惑都是正常的，同时也都是有解的。还以《自动划分交换机接口Vlan》举例子，你可以限制程序执行的内容，你可以规定交换机只能是TOR不能是CSW，你可以约束接口只能是Access不能是Trunk，你可以限定被操作的接口下流量必须为0bps，以避免误操作影响到业务，你可以通过动态Token保证接口的安全，你可以要求必须提供接口下现存的MAC以定位接口的位置，你还可以对调用者加白名单，另外，操作成功后还需要有短信+邮件反馈操作后的结果，等等…

所有的考量都可以固化为代码规则，只有程序是最忠实的执行者。接口可以提供7*24 小时全年无休的服务，而人的精力是有限的，用程序去应对业务那些简单有规律的需求，节省出工程师宝贵的时间来思考人生，这才是网络工程师自动化运维之路的正道。

以上，是笔者结合自身工作经历总结的一些心法，写代码对于网络工程师来说确实有些难度，但是只要跨过这道坎，你会得到更多富裕的时间来扩展自己的专业道路，谨以此文，希望能抛砖引玉为自动化网络运维尽绵薄之力。

本文首发于公众号”小米运维“，点击查看原文。