技(jì )术资料

驻场运维，是奥工(gōng)科(kē)技(jì )提供给客户的一种专属集群运维服務(wù)。针对项目情况，选派资深工(gōng)程师，进驻客户集群现场，提供专人专岗服務(wù)，在最短的时间内实现最高效的运维。

今天，一位驻场某超算集群多(duō)年的工(gōng)程师小(xiǎo)姐姐，带着她上季度工(gōng)作(zuò)报告回来啦！让我们通过一次驻场运维季度汇报，来具(jù)體(tǐ)看看驻场运维服務(wù)都是如何落地的吧！

01/常规运维

常规操作(zuò)即日常巡检工(gōng)作(zuò)，比如客户问题的处理(lǐ)、作(zuò)业报错的处理(lǐ)、各类软件的安(ān)装(zhuāng)等等，贯穿驻场运维的方方面面，有(yǒu)效保障集群稳定高效运行。

◆每月统计计算资源和存储资源，分(fēn)析CPU平均利用(yòng)率、内存平均使用(yòng)率。

◆每月统计用(yòng)户和作(zuò)业数，分(fēn)析核时使用(yòng)情况及有(yǒu)效时间占比。

◆每月集群状态汇总，包括系统服務(wù)、硬件、性能(néng)、文(wén)件系统、作(zuò)业调度、节点宕机等。

该季度维护事件100+，其中(zhōng)包括报错处理(lǐ)30+，账号处理(lǐ)20+，软件安(ān)装(zhuāng)20+，其他(tā)维护30+。

02/非常规运维

当集群出现特殊问题时，驻场工(gōng)程师会第一时间响应、处理(lǐ)，这些都是“非常规”操作(zuò)。

汇报中(zhōng)提到几次重大维护事件，也是比较具(jù)有(yǒu)代表性的“非常规操作(zuò)”，比如超算中(zhōng)心全部计算设备停机维护；上千节点的数据转移；新(xīn)增核数支持科(kē)研抗疫；存储内部出现问题且厂商(shāng)无法解决时，工(gōng)程师多(duō)次深夜现场救急……在遇到大型特殊故障事件时，奥工(gōng)团队更是高效协调内部资源，抽调人员全力处理(lǐ)，尽快恢复集群运行。

03/特殊运维

除此之外，还有(yǒu)一个特殊的运维内容——OGSP。

一方面协助集群管理(lǐ)员保障OGSP持续高效运行，协助用(yòng)户创建、删除、迁移；账单统计发送；软件的迁移、升级以及处理(lǐ)客户在使用(yòng)OGSP过程中(zhōng)遇到的各类问题。

另一方面，与产(chǎn)品测试端积极配合，在运维过程中(zhōng)收集事件，细化需求，开发新(xīn)功能(néng)点，不断提升客户體(tǐ)验感。

除了驻场运维，奥工(gōng)运维服務(wù)还包括7*24小(xiǎo)时的在線(xiàn)运维、高效的专项运维、统筹全局的运维专组……不论是哪一种运维方式，我们的工(gōng)程师都会定期记录运维活动、收集运维故障信息，进行数据分(fēn)析，分(fēn)析故障点，形成事件报告。定期整理(lǐ)运维报告、总结分(fēn)析运维情况，通过不断完善运维方式，预判可(kě)能(néng)存在的问题，提前预防，优化建议，更好地提升运维服務(wù)水平！

—END—