IT运维管理良方如何为故障处理对症下药

IT运维管理人员几乎每天都在与“故障”打交道，而当业务系统足够复杂的时候，仅凭“感觉”往往无法再判别出故障的根源。那么，如何才能让IT运维管理跳出“手工作坊”阶段，在故障发生时准确定位、快速修复，乃至利用更先进的IT运维管理工具避免非计划性的停机事故呢?

一般来说，与故障分析难度成正比的，是系统的复杂性。业务系统越复杂，涉及的设备、软件、厂家、人员就越多，可能带来的故障分析难度也就越大，恢复的时间也就越长。虽然，有些网络故障解决办法是相通的，人的作用非常大，但从随时变化的网络架构和业务系统实际运行的复杂环境来看，解决相同现象的故障，方法可能迥然不同。如果我们在IT运维管理的过程中，过多的依靠个人经验，或者PING、TRACER等命令，都会让排错的时间变得不可控，并造成IT运维服务质量停滞不前的尴尬局面。

面对这种情况，我认为：“依靠个人能力进行运维管理有许多缺点，比如无法做到事前发现、无法做到准确定位、故障原因可能出现误判、响应时间慢等等。因此，要想与时间赛跑，就需要一个高效而准确的故障发现机制，一个能够支撑故障分析策略的工具，这是企业建立故障处理体系的第一步。”

基于ICMP的管理，只能对服务器和网络设备的连通性进行简单性测试，在网络建设阶段的作用很大，但在业务逐渐复杂的管理阶段就显得力不从心了。那么我们需要一种工具可以达到以下功能：

首先，通过TFS管理系统，实现了对网络设备、主机、数据库、中间件以及应用管理的实时监控。管理人员在业务层就能查看所有关键信息，而一旦出现告警事件，管理人员就可以通过TFS故障诊断路径直接定位源头。

其次：在故障处理的操作层面，提供业务流量分布图，以物理拓扑为基础，业务流量为骨干，透明化的展现了业务数据在网络中的真实路径，并实时展示各路径上的业务流量及用户接入设备。利用业务流量的路径图实现主动监测，更可以在庞大而复杂的网络中，发现隐患。管理员可以对业务各关键路径7X24小时监控，通过对于各关键路径的响应时间分析，并结合支撑组件的情况进行智能梳理，可帮助运维人员直击可能引发非计划性宕机的隐患点。