因果图在运维工作中的应用

因果图在运维工作中的应用

目录

  • 1. 什么是因果图
  • 2. 为什么使用因果图
  • 3. 何时使用因果图
  • 4. 何处使用因果图
  • 5. 谁来负责制作因果图
  • 6. 怎样使用因果图
    • 6.1. www.example.com, img.example.com
    • 6.2. acc.example.com, api.example.com
    • 6.3. cch.exampel.com, mq.exampe.com, db.example.com

1. 什么是因果图

鱼骨图,又名因果图,是一种发现问题“根本原因”的分析方法,我们将影响问题的因素与特性,按相互关联性整理而成的层次分明、条理清楚,并标出重要因素的图形就叫特性要因图、特性原因图。因其形状如鱼骨,所以又叫鱼骨图(以下称鱼骨图),它是一种透过现象看本质的分析方法。鱼骨图由日本管理大师石川馨先生所发明,故又名石川图。鱼骨图是一种发现问题“根本原因”的方法,它也可以称之为“Ishikawa”或者“因果图”。其特点是简捷实用,深入直观。它看上去有些像鱼骨,问题或缺陷(即后果)标在“鱼头”外。在鱼骨上长出鱼刺,上面按出现机会多寡列出产生问题的可能原因,有助于说明各个原因之间是如何相互影响的。

2. 为什么使用因果图

在运维工作中,我们经常使用 过程中“故障树分析”,它主要用于出现故障时找到问题的源头。而因果图则是保证7*24运维有哪些影响因素。我认为将“故障树分析”与“因果图”互补使用更能解决运维中遇到的各种问题。

“因果图”能未雨绸缪,“故障树分析”可以亡羊补牢。

3. 何时使用因果图

我认为任何环节都能使用因果图帮我们我们改善IT运维工作。

4. 何处使用因果图

例如项目的部署先,部署中,部署后等等每个环节。部署前拿出因果图由为重要。

5. 谁来负责制作因果图

问题总是受到一些因素的影响,我们通过头脑风暴法找出这些因素,并将它们与影响因素的特性值,整理,分类,层次化。

注意

我不喜欢开茶话会(中国式会议),参与人员应该每个人在会议前找出问题因素,会议中拿出问题的因素提交给会议主持者,会议目的是将每个人寻找出的影响问题的因素整理成为鱼骨图,而不是在会议上讨论找问题因素。

6. 怎样使用因果图

下面我们提供一个鱼骨图分析案例

上图我们看到保障系统7*24小时运行有哪些因素印象,网站分为几个部分组成

网站

  1. www.exampel.com 网站入口,主要是静态内容,或者已经将动态静态化。
  2. img.exampel.com 图片服务器
  3. acc.example.com, api.example.com 动态服务器
  4. cch.exampel.com 缓存服务器, db.example.com 数据库服务器
  5. mq.example.com 消息服务器

我通常给每个服务器指定一个主机名,有些事DNS解析的,有些事hosts文件设置例如 cch.example.com, db.example.com 不需要DNS解析。

现在我们分别解释每个节点与问题的影响因素,这里仅仅给出的一个简单的例子,也只能让你对因果图有个入门了解。

6.1. www.example.com, img.example.com

影响的因素主要是web服务器,IP地址,80端口,防火墙设置,DNS 解析等等

6.2. acc.example.com, api.example.com

除了web服务器,IP地址,80端口,防火墙设置,DNS 解析。他的影响因素包括

PHP版本,PHP扩展,PHP配置文件

6.3. cch.exampel.com, mq.exampe.com, db.example.com

影响的因素是防火墙,端口,数据库同步等等...

原文发布于微信公众号 - Netkiller(netkiller-ebook)

原文发表时间:2016-10-07

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏FreeBuf

如何搭建你自己的“深度学习”机器?

深度学习是一门用来解决复杂问题的技术,例如自然语言处理和图像处理。目前,我们已经可以很快的处理超大计算量的问题——这多亏了GPU,GPU最初就是用于快速生成高分...

1625
来自专栏Netkiller

因果图在运维工作中的应用

因果图在运维工作中的应用 目录 1. 什么是因果图 2. 为什么使用因果图 3. 何时使用因果图 4. 何处使用因果图 5. 谁来负责制作因果图 6. 怎样使用...

2658
来自专栏AI研习社

Github 项目推荐 | 用于构建端对端对话系统和训练聊天机器人的开源库 —— DeepPavlov

DeepPavlov 是一个开源的会话 AI 库,建立在 TensorFlow 和 Keras 之上,用于以下设计: NLP和对话系统研究; 实施和评估复杂的会...

3989
来自专栏程序你好

在云中部署机器学习模型

对于软件开发,有许多方法、模式和技术用于构建、部署和运行应用程序。DevOps是一种以软件开发和操作的整体观点来描述软件工程文化的艺术方法论。

742
来自专栏量子位

NVIDIA英伟达:深度学习服务器搭建指南 | 交流会笔记

7月21日,量子位联合NVIDIA英伟达举行了线下交流会,跟现场近百位开发者同学共同探讨了深度学习服务器搭建过程中可能出现的问题,交流了在开发中的实战经验。

680
来自专栏AI科技评论

DeepMind发布Sonnet,帮你用TensorFlow快速搭建神经网络

去年 DeepMind 作出决定,将全部研究搬到 TensorFlow 框架上进行。 近一年时间过去,回头来看,DeepMind 认为这项选择十分正确——许多模...

2736
来自专栏AI科技大本营的专栏

学术 | DeepMind最新研究:使用更简单的环境就能检测AI是否安全

随着人工智能系统在现实生活中变得通用和实用,确保系统的安全运行变得越来越重要。迄今为止,大部分技术人工智能安全研究都集中在,对不安全行为的性质和原因的理论学习上...

2625
来自专栏专知

Facebook深度学习框架Caffe2代码正式并入PyTorch

Facebook同时支持两个深度学习工具 Caffe2和 PyTorch, 显然不重复造轮子, 而是让能复用的组件和库(比如操作库)在这两个项目之间共享是没有争...

35512
来自专栏云加新鲜事儿

小红书在容器环境的 CD 实践

跨境知名电商小红书随着业务的铺开,线上部署单元的数量急剧增加,以 Jenkins 调用脚本进行文件推送的部署模式已经不能适应需求。本文作者介绍小红书如何以最小的...

1.7K2
来自专栏人工智能头条

利用Amazon ML与Amazon Redshift建立二进制分类模型

1445

扫描关注云+社区