مدیریت زیرساخت IT با پایش پیشگیرانه

راهنمای مدیریت زیرساخت IT و پایش پیشگیرانه

مدیریت زیرساخت IT برای سازمانی است که چند سرور فیزیکی یا مجازی، تجهیزات شبکه، یک یا چند شعبه و بکاپ‌هایی دارد که هر کدام ممکن است بی‌صدا از کار بیفتند. در پشتیبانی معمول، کار از لحظه‌ای شروع می‌شود که کاربری خبر قطعی می‌دهد. پایش پیشگیرانه داده‌هایی را که پیش از قطعی تغییر می‌کنند زیر نظر می‌گیرد و هشدار را به کسی می‌رساند که باید اقدام کند. بخش‌های زیر نشان می‌دهند این پایش روی چه نشانه‌هایی کار می‌کند، هشدار چطور طراحی می‌شود و چه چیزهایی کار را طولانی‌تر می‌کند.

پایش پیشگیرانه روی چه نشانه‌هایی کار می‌کند؟

بیشتر رخدادهای زیرساخت پیش از قطعی در داده‌ها دیده می‌شوند. فضای دیسکی که هر روز کمی کمتر می‌شود، زمان پر شدنش را از قبل نشان می‌دهد و هشدار روی روند مصرف زودتر از هشدار روی یک عدد ثابت فعال می‌شود. خطاهای SMART و آرایه RAID که یک دیسکش از مدار خارج شده، سرور را هنوز از کار نینداخته‌اند، ولی خرابی دیسک بعدی می‌تواند داده را از بین ببرد. در سرورهای HPE و Dell، کارت iLO یا iDRAC وضعیت دما، فن و منبع تغذیه را هم گزارش می‌کند.

بخشی از نشانه‌ها بیرون از خود سرور هستند. گواهی SSL و دامنه تاریخ انقضای مشخص دارند و هشدار چند هفته پیش از آن فرصت کافی برای تمدید می‌دهد. job بکاپی که شکست خورده معمولاً خطایی جلوی چشم کاربر نمی‌گذارد، پس هشدار باید روی قدیمی شدن آخرین بکاپ موفق تنظیم شود. قطع تونل VPN بین شعب یا تغییر وضعیت پورت سوئیچ هم از طریق SNMP دیده می‌شود. برنامه بکاپ و تست بازیابی در بکاپ و بازیابی بحران طراحی می‌شود و این خدمت اجرای آن را کنترل می‌کند.

طراحی هشدار: آستانه، اولویت و گیرنده

ابزاری که با تنظیمات پیش‌فرض نصب شود، از همان هفته اول هشدارهای زیادی می‌فرستد و تیم کم‌کم خواندن آن‌ها را کنار می‌گذارد. آستانه باید بر اساس نقش سرور تعیین شود: CPU بالای سرور دیتابیس در ساعت بکاپ شبانه طبیعی است، ولی همان عدد روی فایل‌سرور در ساعت کاری نشانه مشکل است. هشدارها اولویت می‌گیرند و برای هر اولویت از قبل مشخص می‌شود از چه راهی، مثل تلگرام یا ایمیل، به چه کسی برسد. در هفته‌های اول آستانه‌ها با رفتار واقعی سیستم تنظیم می‌شوند تا هشدار کاذب هشدار واقعی را پنهان نکند.

در این خدمت کارشناس هر هشدار را بررسی و تا پیدا شدن علت پیگیری می‌کند. ممکن است دیسک با لاگی پر شده باشد که چرخش ندارد، یا سرویسی به‌دلیل کمبود حافظه متوقف شده باشد. رفع علت، مثل تنظیم چرخش لاگ یا برنامه ارتقای حافظه، در گزارش دوره ثبت می‌شود تا همان هشدار ماه بعد تکرار نشود.

فهرست دارایی‌ها، وابستگی‌ها و دستورالعمل رخداد

پایش بدون فهرست زیرساخت ناقص می‌ماند، چون سروری که کسی از آن خبر ندارد پایش هم نمی‌شود. فهرست‌برداری سرورها، ماشین‌های مجازی، datastoreها، تجهیزات شبکه، سرویس‌ها و بکاپ‌ها را در بر می‌گیرد و مشخص می‌کند هر سرویس به کدام سرور و کدام لینک وابسته است. همین وابستگی‌ها نشان می‌دهند خرابی یک میزبان Proxmox یا VMware کدام سامانه‌ها را متوقف می‌کند، و اولویت هشدار هر میزبان هم از همین‌جا تعیین می‌شود.

برای رخدادهای رایج، مثل پر شدن دیسک، قطع لینک یک شعبه یا خرابی دیسک در آرایه RAID، دستورالعمل مکتوب نوشته می‌شود. این دستورالعمل‌ها و تنظیمات پایش تحویل سازمان می‌شوند تا اگر تنها کارشناس IT در دسترس نبود، کس دیگری بتواند قدم‌های اول را بردارد.

ابزار پایش را کجا و چطور راه بیندازیم؟

Zabbix برای سرورهای لینوکس و ویندوز و تجهیزات شبکه انتخاب رایجی است، چون هم agent دارد و هم SNMP. Prometheus و Grafana برای متریک‌ها و داشبوردها به کار می‌روند و در بعضی سازمان‌ها Nagios از قبل نصب است. اگر یکی از این ابزارها را دارید، معمولاً همان توسعه داده می‌شود. مراحل راه‌اندازی Zabbix را در آموزش کانفیگ سرور Zabbix نوشته‌ایم.

سرور پایش باید جدا از سرورهایی باشد که پایش می‌کند، وگرنه با از کار افتادن همان سرور، هشدار قطعی هم ارسال نمی‌شود. داده‌های پایش روی زیرساخت خود سازمان می‌مانند و دسترسی کارشناس از مسیری امن مثل VPN است. اگر سرویس‌ها داخل ایران هستند و سرور پایش در دیتاسنتری خارج از ایران، اختلال لینک بین‌الملل ممکن است هشدار قطعی کاذب بسازد. لاگ متمرکز و Observability اپلیکیشن پروژه جداگانه‌ای است که در خدمات مانیتورینگ و Observability انجام می‌شود.

زمان و هزینه مدیریت زیرساخت IT به چه بستگی دارد؟

تعداد سرورها و تجهیزات، تنوع سیستم‌عامل‌ها و بسترهای مجازی‌سازی و محدوده کارهای نگهداری پایه برآورد هستند. زیرساختی که مستند نیست، در مرحله فهرست‌برداری زمان بیشتری می‌گیرد. اگر ابزار پایش از قبل نصب است راه‌اندازی کوتاه‌تر می‌شود، هرچند آستانه‌ها و قالب‌های قدیمی باید بازبینی شوند. سرورهای قدیمی بدون کارت مدیریت یا تجهیزاتی که SNMP ندارند روش جایگزین پایش می‌خواهند. قیمت پس از بررسی اولیه رایگان اعلام می‌شود و اگر فقط تصویر یک‌باره‌ای از وضعیت یک سرور لازم دارید، بررسی رایگان سلامت سرور را درخواست کنید.

پیش از فعال کردن هشدارها، فهرست گیرندگان و ساعت‌هایی را که هر نفر پاسخ‌گوست مشخص کنید. هشداری که نیمه‌شب به گوشی کسی می‌رسد که در آن ساعت مسئولیتی ندارد، خیلی زود بی‌صدا می‌شود.