一.集群管理
    大数据需要分布式系统，也就是集群：Hadoop，Hbase，Spark，Kafka，Redis等大数据生态圈组建。

二.故障处理
    1>.商用硬件使用故障是常态。
    2>.区分故障等级，优先处理影响实时性业务的故障。

三.变更管理
    1>.以可控的方式，高效的完成变更工作；
    2>.包括配置管理和发布管理；

四.容量管理
    1>.存储空间，允许链接数等都是容量概念；
    2>.在多租户环境下，容量管理尤其重要；

五.性能调优
    1>.不同组建的性能概念不一样，如kafka注重吞吐量，Hbase注重实用性可用性;
    2>.需要对组建有深刻的理解

六.架构优化
    1>.优化大数据平台架构，支持平台能力和产品的不断迭代;
    2>.类似架构师的工作；
复制代码
 

三.大数据运维所需的能力

复制代码
一.DevOps
    DevOps(英文Development和Operations的组合)是一组过程，方法和系统的统称，用于促进开发（应用程序/软件工程），技术运营和质量保障（QA）部门之间的沟通，写作与整合。
二.硬件，OS，网络，安全的基础知识
    大数据平台和组建设计范围广，各种都需要懂一点，这些知识出问题的时候不可能问人，因为别人也有自己的工作要做。

三.脚本语言能力
    Shell,SQL(DDL),Python.Java（加分）

四.大数据各个组件知识
    设计思想。使用范围，底层架构，常用命令，常用配置或参数，常见问题处理方法。

五.工具能力
    Zabbix，Open Falcon，Ganglia，ELK等，企业自研工具。我推荐使用集群自带的工具。

六.Trouble shooting能力
    搜索能力（搜索引擎，stackoverflow等），java能力（异常堆栈要看得懂，最好能看懂源码），英文阅读能力。

七.意识，流程
    良好的意识，什么能做什么不能做。同用的流程如ITIL，各企业也有自己的流程。
复制代码
 

四.大数据运维的主要工作

复制代码
一.运维三板斧
    三板斧可以解决90%以上的故障处理工作。
1>.重启
    重启有问题的机器或经常，使其正常工作。
2>.切换
    主备切换或主主切换，链接正常工作的节点。
3>.查杀
    查杀有问题的进程，链接等。
4>.三板斧的问题
    第一：只能处理故障处理问题，不能解决性能调优，架构优化等问题；
    第二：只能治标，不能治本；
5>..大数据运维和传统运维的不同
    第一：传统运维面对的底层软硬件基本稳固，大数据运维面对的是商用硬件和复杂linux版本；
    第二：传统运维面对的是单机架构为主，大数据运维面对复杂的分布式架构；
    第三：传统运维大多维护闭源商业版系统，大数据运维通常面对开源系统，文档手册匮乏，对阅读源码要求高。
    第四：大数据运维对自动化工具的依赖大大增加；

二.Iaas层（基础设置及服务）运维工作
    一般中大型企业有自己的基础设施维护团队，这部分工作不会交给大数据运维来做。小公司可能需要大数据运维键值这部分工作，主要关注三个方面：
1>.硬件
    大数据系统大多使用廉价PC Server或虚拟机，硬件故障是常态，通过告警，日志，维护命令等识别故障，并支持硬件更换。
2>.存储
    大多使用PC Server挂本磁盘的存储方式，极少情况会使用SAN（存储区域网络）或NAS（网络附属存储），熟悉分区，格式化，巡检等基本操作。
3>.网络
    网络的配置变更更需要比较专业的知识，如有需要可学习CCNA，CCNP等认证课程，但网络硬件和配置出问题概率很低，主要关注丢包，延时。

三.HDFS运维工作
1>.容量管理
    第一：HDFS空间我使用超过80%要警惕，如果是多租户环境，租户的配额空间也能用完；
    第二：熟悉hdfs，fsck，distcp等常用命令，会使用DataNode均衡器；

2>.进程管理
    第一：NameNode的进程是重点
    第二：熟悉dfsadmin等Ingles。怎么做NameNode高可用。
3>.故障管理
    Hadoop最常见的故障就是硬盘损坏。
4>.配置管理
    hdfs-site.xml中的参数设置。

四.MapReduce运维工作
1>.进程管理
    第一：jobtracker进程故障概率比较低，有问题可以通过重启解决；
    第二：了解一下HA的做法；
2>.配置管理
    mapred-site.xml中的参数设置。

五.Yarn运维工作
1>.故障管理
    主要是当任务异常这中止时看日志排查，通茶故障原因会集中在资源问题，权限问题中的一种。
2>.进程管理
    ResourceManager主要是学会配置HA
    NodeManager进程挂掉不重要，重启即可。
3>.配置管理
    yarn-site.xml中的参数设置，主要分三块配置，scheduler的，ResourceManager的，NodeManager的。

六.Hive/Impala运维工作
1>.SQL问题排查
    第一：结果不对，主要原因可能是SQL错误，数据不存在，UDF错误等，需要靠经验排查
    第二：慢SQL，这类问题开发经常会找运维排查，有可能是劣势SQL，数据量大，也有可能是集群资源紧张；
2>.元数据管理
    Hive和Impala公用的元数据，存在关系型数据库中。

七.其它组件
    根据组件用途，特性，关注点的不用，运维工作也各不相同，如：
1>.HBase关注读写性能，服务的可用性
2>.Kafka关注吞吐量，负载均衡，消息不丢机制
3>.Flume关注屯度量，故障后的快速恢复
复制代码
 

五.大数据运维技能概览

 

 

 

六.大数据运维职业素养

复制代码
1>.人品
2>.严谨
3>.细心
4>.心态
5>.熟悉操作系统
6>.熟悉业务(开发)
7>.熟悉行业
8>.喜欢大数据生态圈