維運是做什麼的：工作內容、崗位分類和技能要求

維運是做什麼的？一句話：讓系統持續、穩定、安全地執行。“維運”是“執行維護”的簡稱，對應英文的 Operations（Ops）。開發人員把網站、App、業務系統寫出來，維運人員負責把它部署到伺服器上，持續監控它的狀態，出了故障第一時間恢復，定期備份保證資料不丟，並在業務增長前把伺服器、頻寬、儲存準備好。日常工作可以歸為五項：上線與變更、監控告警、備份恢復、故障處理、巡檢。按管理的物件不同，維運又分為系統維運、網路維運、應用維運、機房 IDC 維運，以及更偏工程化的 DevOps 和 SRE。

維運是什麼意思：用可用性衡量工作成果

維運做得好不好，最直接的衡量標準是可用性：一段時間內系統能正常提供服務的時間佔比。幾個“9”對應的允許中斷時間如下：

可用性目標	每月（按 30 天）允許中斷	每年允許中斷
99%	7.2 小時	87.6 小時，約 3.65 天
99.9%	43.2 分鐘	8.76 小時
99.95%	21.6 分鐘	4.38 小時
99.99%	4.32 分鐘	約 52.6 分鐘

從 99.9% 到 99.99%，每月允許的中斷從 43 分鐘縮到 4 分鐘，這時靠人半夜爬起來重啟已經來不及，必須有冗餘架構、自動切換和完善的監控。所以維運工作的本質，是用流程、工具和架構，把“出問題”的機率和“出問題後的影響時間”都壓下來。

維運的五項日常工作

工作	做什麼	做到什麼程度才算合格
上線與變更	釋出新版本、改配置、擴容、升級系統和軟體	每次變更有方案、有回滾步驟、有驗證方法，留下記錄
監控告警	採集伺服器、網路、應用的指標，異常時通知值班人員	故障先由監控發現，而不是由使用者投訴發現
備份恢復	定期備份資料庫、檔案和配置，並演練恢復	恢復演練成功過，知道恢復一次要多長時間
故障處理	接到告警或報障後定位、止損、恢復、覆盤	有分級標準和回應時限，覆盤後同類問題不再重複
巡檢	按清單定期檢查容量、效能、證書、硬體和機房環境	隱患在變成故障之前被發現

上線與變更：先想好怎麼退回來

很多故障都發生在變更之後，所以變更是維運最需要流程約束的環節。一次標準的變更按這個順序走：

1. 寫方案：改什麼、影響哪些業務、操作步驟、回滾步驟、驗證方法；
2. 評審：負責人確認風險和時間視窗，重要業務同步通知相關方；
3. 視窗內執行：例如安排在 22:00 至次日 06:00 的業務低峰，按方案逐步操作；
4. 驗證：按事先寫好的方法確認業務正常，例如關鍵頁面返回 200、錯誤率沒有上升；
5. 記錄：結果寫進變更記錄，失敗就按回滾步驟恢復，事後分析原因。

沒有回滾方案的變更不執行，這是最樸素也最有用的一條規矩。

監控告警：先分級，再通知

監控覆蓋三層：硬體和機房（溫度、電源、硬碟）、系統和網路（CPU、記憶體、磁碟、頻寬、丟包）、應用（請求量、錯誤率、回應時間）。常用的判斷框架是 Google SRE 提出的四個黃金指標：延遲、流量、錯誤、飽和度。告警必須分級，否則值班人員會被大量無關緊要的訊息淹沒，真正的故障反而被忽略。下面是一套可參考的分級（數值是範例，按業務自行約定）：

級別	典型情況	回應要求（範例）	通知方式
P1	核心業務不可用，機房斷電或斷網	5 分鐘內回應，每 30 分鐘同步進展	電話加群訊息，同時通知主管
P2	部分功能故障，冗餘節點當機	15 分鐘內回應	電話或即時訊息
P3	磁碟使用率超過 85%，證書 14 天內到期	當天工作時間內處理	即時訊息或工單
P4	備份完成、計劃任務結果等通知	無需即時回應	郵件或日報

備份恢復：沒恢復過的備份不算備份

兩個指標決定備份方案：RPO（最多能丟多長時間的資料）和 RTO（多長時間內必須恢復）。例如資料庫每天凌晨全量備份、每小時備份一次增量日誌，RPO 就是 1 小時。存放上遵循 3-2-1 原則：至少 3 份資料，放在 2 種不同的介質上，其中 1 份在異地。最容易被省略的是恢復演練：每季度把備份恢復到一台測試伺服器上，記錄實際耗時，這個時間才是你真實的 RTO。

故障處理：先恢復，再找原因

故障處理的順序是：發現 → 確認影響範圍 → 止損 → 定位根因 → 恢復驗證 → 覆盤。止損優先於定位：最近有變更就先回滾，單台伺服器異常就先摘出負載均衡，流量異常就先限流，業務恢復了再慢慢查原因。覆盤寫清時間線、根因、改進項、負責人和完成期限，目的是讓同類故障不再發生，而不是追究個人。

巡檢：把隱患擋在故障之前

伺服器每日巡檢可以寫成指令碼，每天跑一遍，有異常再人工處理：

uptime                                              # 負載是否明顯高於 CPU 核數
df -hT | awk 'NR==1 || $6+0 >= 80'                  # 使用率 80% 以上的分割槽
free -h                                             # 記憶體和 swap 使用情況
systemctl --failed                                  # 啟動失敗的服務
journalctl -p err --since "24 hours ago" | tail -n 20   # 近 24 小時的錯誤日誌
journalctl -u ssh -u sshd --since "24 hours ago" | grep -c "Failed password"   # 近 24 小時 SSH 密碼登入失敗次數
echo | openssl s_client -connect www.example.com:443 -servername www.example.com 2>/dev/null \
  | openssl x509 -noout -enddate                    # HTTPS 證書到期時間

機房的巡檢還包括溫溼度、UPS 和空調執行狀態、機櫃和裝置的告警指示燈，通常按班次記錄。

維運崗位分類：五類維運各做什麼

崗位	管什麼	日常工作	常用工具
系統維運	伺服器和作業系統	裝系統、打補丁、管帳號許可權、效能調優、儲存和備份	Linux 命令、Shell、Ansible、Zabbix 或 Prometheus
網路維運	交換器、路由器、防火牆、出口線路	配置 VLAN 和路由、排查丟包和延遲、處理線路故障、做網路變更	裝置命令列、ping、mtr、tcpdump、SNMP 監控
應用維運	業務系統及其中介軟體	釋出上線、管理 Nginx、Tomcat、MySQL、Redis 等元件，分析日誌，規劃容量	CI/CD 流水線、日誌平台、APM
機房 IDC 維運	機房裡的物理設施和硬體	裝置上下架、佈線、巡檢、換件報修、動環告警處理、客戶進出陪同	BMC 遠端管理、DCIM、工單系統、動環監控
DevOps / SRE	交付流程和系統可靠性	建設 CI/CD 和基礎設施即程式碼，制定 SLO，組織值班和覆盤，用開發手段消除重複勞動	Git、Terraform、Kubernetes、Prometheus、Python 或 Go

此外，規模大的公司還會單獨設資料庫維運（DBA）和安全維運崗位。小公司裡，一個維運往往同時兼著系統、網路和應用三塊。

DevOps 和 SRE 容易混淆。DevOps 是一種協作方式，主張開發和維運共同負責從寫程式碼到線上執行的全過程，代表實踐是持續整合、持續交付和基礎設施即程式碼。SRE（站點可靠性工程）起源於 Google，用軟體工程的方法做維運：用 SLO 量化可靠性目標，用“錯誤預算”平衡釋出速度和穩定性。例如 SLO 定為每月 99.9%，這個月的錯誤預算就是 43.2 分鐘，用完了就暫停新功能上線、優先修穩定性問題。Google 的 SRE 實踐還要求重複性的手工維運工作不超過工作時間的一半，其餘時間用來寫工具、改進系統。

崗位與技能要求對照：維運需要學什麼

崗位	必備技能	加分項
系統維運	Linux 系統管理、Shell 指令碼、儲存與 RAID、常見服務的配置	Ansible 等批次管理工具，虛擬化平台
網路維運	TCP/IP、子網劃分、VLAN、靜態路由，至少一個廠商裝置的命令列	OSPF、BGP 等路由協議，抓包分析
應用維運	Linux、Nginx 等中介軟體、資料庫基本操作、日誌分析	能讀懂業務架構，CI/CD
機房 IDC 維運	伺服器硬體、佈線規範、BMC 使用、供電與製冷常識	網路和 Linux 基礎，指令碼自動化
DevOps / SRE	程式設計（Python 或 Go）、容器與 Kubernetes、監控體系、CI/CD	分散式系統原理，效能分析

零基礎入門，建議按這個順序學，每一步都在自己的虛擬機器或便宜的雲伺服器上動手：

1. Linux 基礎：檔案和許可權、程序、軟體包、systemd 服務、日誌檢視；
2. 網路基礎：IP 與子網、DNS、TCP 三次握手、常用排查命令；
3. Shell 指令碼：把一項每天手工做的檢查寫成指令碼，放進定時任務；
4. 一套 Web 服務：從零搭起 Nginx、應用程式和 MySQL，配好 HTTPS；
5. 一套監控：用 Zabbix 或 Prometheus 監控上面這套服務，設定告警；
6. 一個自動化工具：用 Ansible 把第 4 步的部署過程寫成劇本，一條命令重建整套環境。

做完這六步，再按興趣往系統、網路、應用或 SRE 方向深入。

維運工程師的一天

下面是兩種崗位一個普通工作日的範例，實際安排因公司和班制而異：

時間	系統或應用維運（網際網路公司）	機房 IDC 維運（白班）
09:00	看夜間告警和值班記錄，確認有沒有遺留問題	交接班，核對夜班處理過的工單和告警
09:30	看監控大盤：錯誤率、磁碟、備份任務是否成功	巡檢機房：溫溼度、UPS、空調、機櫃告警燈
10:30	處理工單：開通帳號、給資料庫擴容磁碟	上架兩台新伺服器：接線、配 BMC 位址、錄入資產台帳
13:30	參加變更評審，確認晚上發版的方案和回滾步驟	按工單為客戶更換故障硬碟，舊盤登記返修
15:00	寫指令碼，把每週手工匯出的報表改成自動生成	處理報障“伺服器連不上”：先看遠端控制檯，再查交換器連接埠
17:30	更新文件，交代晚上值守的注意事項	寫交接記錄，未完成的工單交給夜班
22:00	在變更視窗執行發版，驗證後結束；本週輪到 on-call	夜班同事值守動環和網路告警

可以看出兩類崗位的共同點：大量時間花在工單、告警和變更這三條線上。工作做得好的維運，會不斷把重複的事交給指令碼和系統，把時間留給排障和改進。

機房維運怎麼用 DCIM、工單和監控系統

機房 IDC 維運的工作物件是成百上千台物理裝置，靠記憶和表格很快就會管不過來，通常要靠三類系統配合：監控系統負責發現問題，工單系統負責派活和留痕，DCIM 負責記錄每台裝置在哪個機櫃、接在哪個交換器連接埠、用哪些 IP。

以 DCIM 機房管理系統 為例，它的能力清單裡包含工單管理、故障管理、維修管理、流量監控和網路 TOP 排行：頻寬異常時從即時流量圖和排行裡定位是哪台伺服器，報修和換件的過程在故障與維修記錄裡留痕。上面一天工作流裡“伺服器連不上”這類報障，可以在 IPMI 遠端管理 裡直接開啟伺服器的 VNC 控制檯判斷卡在哪一步，必要時遠端重啟或掛載映象修復，不用先跑一趟機櫃；遠端會話全程錄影，SSH 會話另有命令級日誌，交接和事後覆盤時能準確還原誰在什麼時候做了什麼。