新云系统

新云系统上线那天，新云系统运维老张盯着监控屏看了整整一下午。新云系统CPU曲线平稳得像一条死人的新云系统心电图，他反而有点不习惯。新云系统要知道，新云系统旧系统每个月至少崩两次，新云系统每次他都得从被窝里爬起来，新云系统一边骂娘一边敲命令。新云系统现在这玩意儿安静得让他心里发毛。新云系统

这套系统的新云系统核心逻辑其实就一句话：把原来分散在七台物理机上的服务全部拆成容器，用Kubernetes重新编排。新云系统听起来挺常规，新云系统但真正动手改的新云系统时候，麻烦全在细节里。新云系统

旧系统的新云系统配置文件有三千多行，散落在各个角落。有些是历史遗留，注释写着“2016年临时方案，勿动”，结果一放就是八年。新云系统要求所有配置集中管理，用ConfigMap统一注入。我们花了三周时间梳理，发现其中有四百多行配置压根没被任何进程读取过。纯垃圾。删掉那一刻，感觉像给老房子做断舍离。

网络这块最折腾。原来服务之间调用走的是固定IP，写死在代码里。迁移到新云之后，Pod的IP随时会变，必须改成Service名称发现。有个老模块是Java写的，依赖的HTTP客户端库版本太旧，不支持动态DNS解析。改代码？那哥们儿已经离职两年了。最后只能加一层Sidecar代理，用Envoy做流量转发。多了一层跳转，延迟从12毫秒涨到15毫秒。能接受，但心里总归有点别扭。

存储方案换成了Ceph。之前用的NFS，单点故障，坏过一次，数据丢了半天。Ceph的三副本机制理论上更可靠，不过实际跑起来，写入性能掉了大概两成。测试环境压测的时候，IOPS从一万二掉到九千五。开发那边抱怨说构建镜像变慢了。我让他们忍忍，毕竟数据丢了可不是闹着玩的。

监控体系也重新搭了。Prometheus加Grafana，指标采集粒度从一分钟一次改成十五秒一次。好处是问题发现更快，坏处是告警风暴。刚上线那周，手机每分钟都在震。后来调了阈值，加了分组抑制，才算消停。有个细节挺有意思：旧系统里有个服务内存泄漏，每天涨200M，重启脚本定时跑，大家习以为常。新系统内存限制设了512M，超了直接OOMKilled。结果那服务一天重启八次。开发终于肯去修那个泄漏了。所以说，有时候不是技术问题，是人的惰性。

成本方面，原来七台物理机，每台月租加电费大概两千。现在跑在云上，按需计费，平均每月省了三分之一。但有个坑：流量费。跨可用区调用要收钱，之前没注意，第一个月账单出来多花了八百。后来把服务亲和性配好，尽量同区调用，才把这块压下去。

安全策略也变了。原来防火墙规则是手工维护的，三百多条，谁也不敢删。新系统用NetworkPolicy，默认拒绝所有，按需放行。梳理的时候发现，有十七条规则是允许0.0.0.0/0访问数据库端口的。这要是被扫到，后果不堪设想。现在全部收敛到内网网段，外部访问走跳板机加双因素认证。

上线三个月，可用性从99.5%提到99.97%。数字看着不大，但换算下来，每月停机时间从三小时四十分钟降到十三分钟。老张现在晚上能睡整觉了。不过他偶尔还会念叨：“以前半夜起来修故障，虽然累，但感觉自己挺重要。现在系统太稳了，我像个多余的。”

我告诉他，这不是多余。这是运维的终极目标——让自己变得不再被需要。系统稳了，你才有精力去做更值钱的事，比如容量规划、性能调优、成本治理。那些才是真正拉开差距的地方。

新云系统不是终点。它只是把基础设施的底子打好了。接下来要做的，是把CI/CD流水线接进来，把灰度发布做起来，把混沌工程跑起来。路还长着呢。但至少，我们现在站的地方，比之前结实多了。

(责任编辑：焦点)