陈海超_脱敏稿-大规模服务器集群的线上质量运营实践.pdf

大规模服务器集群的

线上质量运营实践

陈海超

字节跳动

陈海超

服务器运营质量工程师

目前，专注于字节跳动的服务器线上质量建设与保障

多年服务器研发测试、技术支持与海量运营工作经验，曾任职华为、腾讯。负责解决过国

内外互联网、运营商、金融等领域的服务器疑难问题；制定服务器集群的硬件监控标准与

运营流程；主导CPU\网卡\硬盘\GPU等关键部件质量提升；深度参与A100/A800/H800

等大模型训练集群的质量重保。

曾任TCCP讲师（服务器运维高级工程师课程）、获VMWare、Window、PMP等认证。

请替换

您的照片

GOPS全球运维大会暨XOps技术创新峰会2024·北京站

线上质量的重要性

目录线上质量体系的建立

线上质量的运营实践

展望

GOPS全球运维大会暨XOps技术创新峰会2024·北京站

01线上质量的重要性

GOPS全球运维大会暨XOps技术创新峰会2024·北京站

服务器集群规模的快速增长

近十余年，随着互联网、云计算的蓬勃发展，全球陆续出现服务器保有量过100W+台的大规模集群

全球首家100W台全球第5，国内首家100W台

大规模服务器集群的运营模式演进

DevOpsAIOps

不依赖人硬盘固件

数十万台

自动化运维

平台运维数万台

工具化运维

全人工运维数千台

依赖人

大规模服务器集群运营的质量挑战

随着服务器集群规模飞速扩张，机器型号层出不穷、硬件平台持续迭代、芯片集中度快速提升、业务

应用场景多样化，稍有不慎，就会导致质量问题频繁发生，影响业务稳定性。

业务侧感受有：

软件无法运行、部件故障率高、频繁宕机、性能不达标等

线上质量问题的发现来源

交付厂商

拦截反馈

故障问题研发