数据中心运维服务与管理方案,数据中心运维工程师证书

('数据中心运维服务与管理方案一.服务与管理1.服务时间(1)接收服务请求和咨询：在58小时工作时间内在现场值守，设置由常驻人员的电话，接听内部的服务请求，并记录事件处理结果。(2)在非工作时间设置724小时接听的移动电话热线，用于解决内部的技术问题以及接听724小时机房监控人员的机房突发情况汇报。(3)服务响应时间：故障级别响应时间故障解决时间I级：属于紧急问题；其具体现象为：系统崩溃导致业务停止、数据丢失。1小时，2小时内提交故障处理方案12小时以内Ⅱ级：属于严重问题；其具体现2小时，3小24小时以内象为：出现部分部件失效、系统性能下降但能正常运行，不影响正常业务运作。时内提交故障处理方案III级：属于较严重问题；其具体现象为：出现系统报错或警告，但业务系统能继续运行且性能不受影响。3小时，4小时内提交故障处理方案48小时以内Ⅳ级：属于普通问题；其具体现象为：系统技术功能、安装或配置咨询，或其他显然不影响业务的预约服务。4小时，4小时内提交故障处理方案72小时以内技术支持人员在解决故障时，会最大限度保护好数据，做好故障恢复的文档，力争恢复到故障点前的业务状态。对于“系统瘫痪，业务系统不能运转”的故障级别，如果不能于12小时内解决故障，公司将在24小时内提出应急方案，确保业务系统的运行。故障解决后24小时后，提交故障处理报告。说明故障种类、故障原因、故障解决中使用的方法及故障损失等情况。2.行为规范(1)遵守用户的各项规章制度，严格按照用户相应的规章制度办事。(2)与用户运行维护体系其他部门和环节协同工作，密切配合，共同开展技术支持工作。(3)出现疑难技术、业务问题和重大紧急情况时，及时向负责人报告。(4)现场技术支持时要精神饱满，穿着得体，谈吐文明，举止庄重。接听电话时要文明礼貌，语言清晰明了，语气和善。(5)遵守保密原则。对被支持单位的网络、主机、系统软件、应用软件等的密码、核心参数、业务数据等负有保密责任，不得随意复制和传播。3.现场服务支持规范运维服务人员要做到耐心、细心、热心的服务。工作要做到事事有记录、事事有反馈、重大问题及时汇报。严格遵守工作作息时间，严格按照服务工作流程操作。(1)现场支持工程师应着装整洁、言行礼貌大方，技术专业，操作熟练、严谨、规范；现场支持时必须遵守用户单位的相关规章制度。(2)现场支持工程师在进行现场支持工作时必须在保证数据和系统安全的前提下开展工作。(3)现场支持时出现暂时无法解决的故障或其他新的故障时，应告知用户并及时上报负责人，寻找其他解决途径。(4)故障解决后，现场支持工程师要详细记录问题的发生时间、地点、提出人和问题描述，并形成书面文档，必要时应向用户介绍故障出现的原因及预防方法和解决技巧。4问题反馈根据使用人员提出问题的类别，将问题分为咨询类问题和系统缺陷类问题二类：咨询类问题是指通过服务热线或现场解疑等方式能够当场解决用户提出的问题，具有问题解答直接、快速和实时的特点，该问题到现场支持人员处即可终止，对于该类问题的记录可使用咨询类问题记录模板进行记录。系统缺陷类问题是指使用人员提出的问题涉及系统相应环节的确认修改，需要经过逐级提交、诊断、确认、处理和回复等环节，处理解决需要IT系统运维服务项目组的分析确认，问题有解决方案后，将解决方案反馈给用户。具体提交流程如下：(1)问题提交。应用信息系统的用户发现属于系统缺陷类的问题时，填写系统缺陷类问题提交单，提交服务支持中心。(2)问题分析。服务中心接到用户提交的问题单，要组织相应人员对问题单中描述的问题进行分析研判，确定问题的类型（技术问题、业务问题或者操作问题）。属于技术问题，提交服务中心技术人员对存在的问题提出具体的处理意见和建议；属于业务问题，提交服务中心业务人员进行处理；属于操作问题，可安排相关人员对问题提出人进行解释，并将系统缺陷类问题提交单转为系统咨询类问题提交单。(3)问题确认、解决。服务中心的技术人员和业务人员收到系统缺陷类问题提交单后，对提交的问题进行归类汇总和分析、确认。可以解决的，明确问题解决的具体处理建议和措施，经主管领导签字同意后，交实施人员进行解决方案的实施。服务人员确认是否解决，并将解决方法附在系统缺陷类问题提交单上反馈给问题提出人员。(4)问题上报。服务人员收到经业务或技术人员确认的系统缺陷类问题提交单后，上报服务中心。(5)问题回复。服务中心根据提交问题的进行分析，制定解决方案并实施的解决，同时做好变更记录。将解决方案汇总后及时向问题提交单位或问题交办单位作出回复，并将分析过程和问题产生原因一并提交。二.应急服务响应措施公司已经针对本项目制定了详尽的设计、应急处理预案，整个流程严谨而有序。但是，在服务维护过程中，意外情况将难以完全避免。下面，我们将对项目实施的突发风险进行详细分析，并且针对各类突发事件，设计了相应的预防与解决措施，同时提供了完整的应急处理流程。1.应急基本流程维护服务应急处理流程2.预防措施针对上门服务过程中可能遇到的各种各样的风险，公司总结多年维护服务经验，针对一些可能出现的情况，制定了一系列预防处理措施，举例如下：类型事件预防措施处理应用软件无法启动软件可执行文件上门人员提前准备好各类需维护软件安装程序将应用软件数据文件备份后，重新安装出现突发情况报项目经理项目经理协调、处理结束问题报告单采取措施避免类似事件发生处理记录情况通报单类型事件预防措施处理软件打开过程中或运行中异常错误关闭上门人员准备好安装程序，操作系统优化和修补软件，查杀病毒软件判断出错原因，备份数据，采取相关修复措施操作系统使用者本机操作系统异常或系统资源占用严重准备好系统检查程序及修补程序，以及查杀病毒软件告知使用者错误原因可能类型，提出解决方案，经使用者认可后采取相应措施B/S结构系统，IE浏览器异常或无法下载控件准备流氓软件清理程序、修复浏览器软件、查杀病毒软件检查IE浏览器选项设置，分析原因进行修复网络或B/S结构系统网络判断服务器是否异检查网络流量，类型事件预防措施处理服务器流量异常或服务器登录异常常，否则准备杀毒软件流量异常小则报修网络服务商，流量异常大则查杀病毒3.突发事件应急策略系统运维应急方案是对中断或严重影响业务的故障，如宕机、数据丢失、业务中断等，进行快速响应和处理，在最短时间内恢复业务系统，将损失降到最低。在系统维护过程中，突发事件的出现将是很难完全避免的，针对这种情况，公司设计了完善的突发事件应急策略。系统巡检人员要定期规范检查各硬件设备的运转情况和应用软件运行情况，同时做好日常的数据增量备份和定期全备份。对发现的问题在报各级负责人的同时，要协调相关资源分析问题根源，确定解决方案和临时解决措施，避免造成更大的影响。问题得到稳定或彻底解决后，要形成问题汇报，避免以后类似重大紧急情况的发生。对发现的问题在报负责人的同时，要协调相关资源分析问题根源，确定解决方案和临时解决措施，避免造成更大的影响。问题得到稳定或彻底解决后，要形成问题汇报，避免以后类似重大紧急情况的发生。公司不但拥有经验丰富的技术支持工程师，而且根据长期以来的客户服务工作经验，建立了常用知识库，其中包括多种常见技术故障和突发事件的应急策略。当获悉出现突发事件时，技术支持人员可以立即从知识库中获取相应的应急策略，并综合用户方的具体情况，给出相关解决方案，然后在第一时间以电话、邮件支持或现场服务的方式帮助用户解决问题，尽最大努力减小突发事件对用户日常应用的影响。紧急情况预防措施应急策略硬件损坏项目单位操作用电脑硬件损坏在磁盘数据未丢失情况下，保证数据安全性，建议项目单位替换相关硬件。操作失误加强培训力度，掌握培训效果，检验操作人员操作水准，提示注意事项。操作失误未造成即成结果或数据未丢失情况下，保障数据安全，反之，协调相关部门，进行补救。对操作人员强调注意事项配置丢失培训时强调使用前配置方法和步骤，并特别提示需在使派出上门维护、培训人员重新配置，并耐心讲解。用前按要求操作数据丢失培训时强调使用过程中注意定期备份重要数据，日常维护过程中，上门服务人员实时备份数据并告知用户协调有关部门，进行补救，无法补救，提交报告说明原因。三.机房服务器维护说明1.机房环境及物理检查1.1）机房环境1.温度与湿度：最佳工作温度：20-25摄氏度极限工作温度：10-40摄氏度湿度：10-60%（在23摄氏度条件下）2.同时机房要保证服务器清洁.机房应保持服务器清洁，若空气灰尘过多，很容易造成资源读写错误及磁盘机中磁盘或读写磁头毁损。定时使用皮老虎、刷子清除服务器灰尘。1.2）电源电压：要求电压稳定，尖峰电压会损坏设备电压范围：220V+/-10%,即200-240V,50-60Hz电源功率：视机器类型和系统配置而定电源线:标准的零，地，火三相电，其中零，地电压不得超过3.0V.电源接驳：用符合电流要求的空气开关或其他设备和主机电源线接驳，保证计算机系统的可靠工作应使用稳压电源和UPS，对于冗余电源的接入，采用两路单独输入.1.3）硬件检查检查服务器、磁阵的安装、电源线主机接线符合要求。服务器状态检查：1.当服务器处于启动和正常工作状态时，其前面板上的液晶显示屏上应无信息显示。2.当液晶显示器上出现带数字和字母的信息时，说明有硬件告警。可以通过查询相关机型的面板报警数字信息查到相应告警原因，情况严重的，则要立即通知服务器厂商进行问题排查。3.当服务器的状态灯出现橙黄色时，说明有硬件告警，此时要检查磁柜的电源、接线、硬盘等。如果有硬件故障则立即进行更换和更正，如果查不出具体问题，则需要联系相关厂商进一步诊断。4.当硬盘工作正常时，与各硬盘对应的硬盘灯会呈绿色，如无读写，则绿灯一直亮，如该硬盘有读写操作，则绿灯会不规则闪烁，当硬盘损坏时或RAID出现问题时，则硬盘状态灯将熄灭，或者呈闪烁状态：以1～3秒的频率有规律地、不停地闪烁。2.系统日常维护流程2.1）系统启动系统启动正常顺序如下：首先对外设（磁盘阵列、磁带库等）加电。待所有外设加电自检完成后，主机加电正常起机。主机加电后，才能按POWER键起机.2.2）系统关闭服务器系统关闭时，需要确认服务器的服务是否对现网业务有影响，同时需要对关闭的服务器运行中的程序进程确认，明确软件安全的关闭步骤，在进行关机操作。2.3）系统与数据备份有效及时的系统备份是系统管理的非常重要的一环。当系统出现故障时，特别是文件系统被严重损坏或硬盘损坏时，常需要使用系统备份来恢复系统。在以下情况下应做系统备份：1、新装机。在硬件及系统软件安装完成后，应做系统备份。2、软件改动。系统软件或应用软件有改动时，应做系统备份。3、定期备份。对系统进行定期备份，最好每三个月做一次备份2.4）系统恢复当系统发生比较严重的故障以致采取一般性维护手段不能在短期内恢复原系统，与上级确认后，可将最近一次的系统备份倒回机器内以全面恢复系统到最近一次做备份时的系统环境，然后可将当日的数据备份再倒回系统内。至此，系统可恢复正常运行。此后，应当厂商再进行整个事件的全面分析与回顾，以期找到故障发生的原因，并采取相应措施以杜绝类似事件再次发生。2.5）安全工作守则a统定期进行系统备份。b.当有系统变更或进行操作系统补丁安装的时候，必须作一次系统备份。c.在发现有硬盘故障的时候，注意当天的数据备份。在更换硬盘的时候，请确认当天数据备份已经完成。d.在更换敏感的电子元件，时候一定要防静电。e.在插拔外围设备的时候，请把外围设备下电。f.在进行文件删除的时候，请留意当前路径是否正确。g.在进行文件解压缩的时候，请留意参数和路径。3.故障定位、故障排除根据实际运行的系统中碰到问题，总结出了以下几种常见故障及其定位方式和解决方法。3.1）硬件故障硬件故障有很多种，对系统产生的影响也不一样，这里按其故障对系统的影响程度分：致命影响的硬件故障和只影响功能的硬件故障两类进行硬件分类：其损坏对系统产生致命影响（将使机器宕机或无法启动）的硬件包括：主板、CPU、RAID卡、电源模块、风扇、本地硬盘、内存损坏等等这些设备的损坏等将使系统无法完成自检、引导和启动，液晶显示屏上都将有错误信息，可根据液晶显示屏上的错误码对照错误原因，如果是工作状态下出现这些硬件损坏，则系统将被挂起或宕机。其损坏对仅对系统产生功能影响（机器不会宕机并能正常启动）的硬件包括：网卡、本地硬盘有坏块、显卡、和其他外围设备这些设备的损坏只影响特定功能，如网络功能、显示功能、访问磁阵的功能等，对于本地硬盘有坏块的情况，则要看坏块中是否包含了重要的系统文件，如果不是重要系统文件，则系统功能不受影响，但也建议立即更换该硬盘。故障定位和排除：液晶屏上的错误码根据错误码确定是什么硬件出了故障，对系统来讲，原则上必须业务切换使得损坏服务器离线不影响用户使用的情况下，然后修复故障机器，恢复系统。3.2）磁阵故障磁阵引起的故障是目前碰到的最频繁、危害最大的故障，据不完全统计，其故障覆盖到总故障的70%以上，具体来讲，可能引起磁阵故障的环节包括：磁阵硬盘、主机上的RAID卡、与主机相连的SAS线、硬盘的位置和接线方式、以及盘柜使用的电压及周围磁场、磁阵/硬盘/RAID卡等都可能造成异常。磁阵的问题是最复杂的，一般有物理损坏的原因也有环境原因，这是主因，如接线、插盘位置不符合要求、未及时查看系统告警等造成系统中断等辅因。按照经验，不管是什么硬件故障导致故障，系统都会产生告警，如果能及时发现问题并采取措施，如果存在硬件故障时，可从状态灯上观察到：当单块硬盘出现故障或未被使用时，其面板上的硬盘状态灯会不亮阵列的状态灯黄灯会亮服务器的磁阵所配置的RAID卡一般都带有一块充电电池，该电池用于在突然停电的情况下保护RAID卡上的信息不丢失，这块电池的安全寿命一般是22000小时，差不多两年半的时间，也就是说，一般两年半以后需要更换这块电池。处理步骤：（按优先方式列出，从中选择一种即可）更换服务器配件选择系统闲时，更换主备机RAID卡电池，可以采用：停备机－更换备机RAID卡电池－起备机（双机服务）－主备倒换－停原主机－更换原主机ssa卡电池－起原主机（双机服务）3.3）网络故障由于我们应用对网络依赖很强，所以当网络出现全阻或瞬断都将对系统产生重大影响，网络故障一般可分为硬件故障（如网卡故障和交换机、路由器故障）和软件故障（网络中有IP包攻击或网络拥塞）两种情况。硬件故障：1．网卡对于网卡故障，每台机器都配置有至少两块网卡，所以当单块网卡或网线出现问题时，切换网卡故障排查方法：如果诊断出网卡有问题，则关闭系统后进行更换。（如果是主机，则先手工切换为备机后再操作）软件故障：1．网络拥塞由于系统在封闭网络中运行，所以发生网络拥塞的可能性比较小，但如果网络拓扑比较复杂的话，也可能发生这种情况，在主机上的表现为ping主机丢包严重，主机链路时通时断，数据包丢失，设备功能异常。问题排查：1)尽量使内部应用的机器从网络上隔离出去2)如果情况仍未改善，建议配合机房查询网络由于网络故障出现会导致远程登录失效，所以无法进行系统维护。所以建议任何一套服务器都要配置一个维护台。3.4）OS故障一般来说我们所使用的是一个比较稳定的操作系统，出现故障一般是人为因素引起的：1.没按要求打OS补丁2.应用程序或数据库消耗内存太多或存在内存泄漏导致物理内存被耗尽导致系统挂起3.人为删除了重要的目录或文件',)