阿里云运维手册（通用生产版｜云上运维标准化文档）
适用：公有云 VPC 架构、传统业务 ECS 架构；ACK 容器场景可在此基础上扩展；专有云请参考飞天专有云官方运维 PDF。
目录
- 运维总则与账号安全规范
- 网络层（VPC、安全组、CLB/ALB/NLB、EIP）运维
- 计算层 ECS 运维（创建、巡检、备份、扩容、故障排查）
- 存储运维（云盘、OSS、NAS）
- 数据库运维（RDS MySQL/PostgreSQL、Redis）
- 监控告警体系（云监控 CloudMonitor、ARMS）
- 日常巡检清单（日 / 周 / 月）
- 变更管理规范
- 应急故障处理通用流程
- 备份与容灾策略
- 常用工具：云助手、OOS、堡垒机、aliyun CLI
一、运维总则 & 账号安全（最高优先级）
1.1 账号原则
- 禁止日常使用主账号，主账号仅用于充值、实名认证、全局风控；主账号开启 MFA 多因素认证，不创建 AccessKey。
- 所有运维人员使用 RAM 子账号 ，遵循最小权限。
- AccessKey 管控：
- 服务器程序使用 RAM 角色，不在实例内存放 AK；
- 人工使用的 AK 定期轮换，泄露立即禁用；
- 禁止把 AK 提交代码、Git、配置文件。
1.2 RAM 基础权限划分参考
- 运维只读账号：仅查询监控、实例、日志，不能修改配置；
- 资源运维账号：ECS、SLB、云盘启停 / 扩容，无删除高危权限；
- DBA 账号：仅管理 RDS、Redis；
- 自动化账号（OOS / 流水线）：限定资源组 + 指定操作。
1.3 运维接入规范
- 生产环境优先使用 堡垒机（BastionHost） 登录 ECS；
- 关闭公网 SSH（22）、RDP（3389）直接暴露；仅内网堡垒机访问；
- 安全组不允许
0.0.0.0/0放行业务端口。
二、网络层运维（VPC 体系）
2.1 VPC 规划规范
- 生产 / 测试环境独立 VPC 隔离，不要混用；
- 网段规划预留扩容空间；
- 跨 VPC 互通使用 云企业网 CEN / 私网连接 PrivateLink，不通过公网中转。
2.2 安全组运维标准
- 分层安全组：
- DMZ 层（SLB）：放行 80/443 公网入；
- 应用层：仅允许 DMZ 安全组访问；
- 数据库层：仅允许应用安全组访问，禁止公网开数据库端口。
- 规则定期清理废弃 IP，禁止全端口开放。
2.3 负载均衡 ALB/CLB/NLB 运维要点
- 核心业务选择多可用区实例，避免单 AZ 故障；
- 开启访问日志，投递至 OSS；
- 健康检查配置标准：
- HTTP：/health 接口，超时 2s，间隔 5s，不健康阈值 3 次；
- 故障常见现象：502/504
- 排查顺序：健康检查是否失败 → 后端 ECS 防火墙 / 安全组 → 应用进程是否崩溃 → 连接数打满。
2.4 EIP & 带宽
- 业务突发流量优先使用共享带宽包，避免单实例带宽封顶；
- 闲置 EIP 及时释放，持续计费。
三、ECS 云服务器运维（核心）
3.1 实例选型建议
- Web 业务：通用型 g；计算任务：计算型 c；数据库中间件：内存型 r；
- IO 密集：ESSD 云盘 PL0/PL1；避免使用高效云盘跑数据库。
3.2 生命周期操作规范
- 创建：优先使用自定义镜像统一基线；初始化执行安全加固脚本；
- 扩容云盘 ：
- 控制台扩容云盘 → 进入系统扩容分区与文件系统（Linux growpart + resize2fs/xfs_growfs）；
- ⚠️ 云盘只支持扩容，不支持缩容，前期容量合理规划；
- 停机 / 重启：业务低峰执行；核心集群滚动重启，禁止一次性全部关机。
3.3 ECS 备份策略
- 系统盘：自动快照策略（每日凌晨，保留 7 天）；
- 数据盘：业务数据优先落库 / OSS，快照作为应急；
- 快照≠备份！数据库数据不能只依赖快照，必须开启 RDS 自动备份。
3.4 Linux ECS 常见故障排查清单
- 无法 SSH 登录
- 安全组 22 端口、系统内部防火墙 firewalld/iptables；
- 实例负载过高卡死、磁盘 100% 占用；
- 内核参数 tcp_tw_recycle 导致 NAT 环境连接失败；
- CPU 高：top → 定位进程；突发性能实例查看CPU 积分耗尽；
- IO 负载高：iostat、iotop，云盘 IOPS 打满；
- 磁盘满：
df -h，清理日志、core 文件。
推荐使用阿里云【ECS 实例诊断工具】一键自检网络、磁盘、内核风险。
3.5 自动化运维工具
- 云助手：无需公网端口，批量执行命令、上传脚本；
- OOS 系统运维管理：编排自动化任务（批量重启、快照、定时巡检）。
四、存储运维
4.1 云盘
- 重要数据不要只存单块云盘；
- 定期清理无用快照，快照持续占用存储费用。
4.2 OSS 对象存储
- Bucket 权限：
- 静态资源：公共读；业务上传桶：私有，使用 STS 临时授权；
- 开启生命周期：低频访问、归档，降低成本；
- 防盗链配置 Referer，防止恶意盗刷流量；
- 常见故障：跨域 CORS 报错、签名过期、地域不匹配。
4.3 NAS 文件存储
- 适合多 ECS 共享目录；合理配置权限组；
- 注意并发读写压力，避免大量小文件场景性能衰减。
五、数据库运维（RDS & Redis）
5.1 RDS MySQL
- 实例选型：生产一律高可用版（主备），不要基础版；核心业务多可用区；
- 备份配置：
- 自动备份：业务低峰时段，保留 7~30 天；
- 开启binlog，支持时间点恢复（PITR）；
- 运维禁止操作：
- 不要直接公网开放数据库；
- 不使用 root 账号给应用，创建独立业务账号，最小库权限；
- 性能排查：
- 开启 DAS 数据库自治服务，分析慢 SQL；
- 监控指标：连接数使用率、IOPS、TPS、锁等待。
5.2 Redis 云数据库
- 生产：主从版 / 集群版；单机版仅限测试；
- 合理设置内存淘汰策略，避免 OOM；
- 持久化 RDB/AOF 根据业务数据丢失容忍度配置；
- 禁止大 key 长期存在，引发卡顿。
六、监控与告警体系（云监控 CloudMonitor）
6.1 必配置监控指标
ECS
CPU 使用率、内存使用率、磁盘使用率、磁盘 IOPS、网卡出入带宽、TCP 连接数
RDS
连接数使用率、CPU、磁盘空间、IO 延迟、慢查询数量
SLB
健康后端数量、QPS、5xx 错误码、响应延迟
Redis
内存使用率、命中率、客户端连接数
6.2 告警规范
- 分级：
- P0（紧急，电话）：业务中断、多实例宕机、数据库不可用；
- P1（重要，企业微信 / 短信）：CPU 持续高、磁盘即将占满；
- P2（观察）：日常水位预警；
- 抑制告警风暴：设置持续周期（如连续 5 分钟超过阈值才触发）；
- 告警接收人值班轮换，告警发生必须登记故障台账。
6.3 应用层监控
复杂业务接入 ARMS 应用监控，追踪接口耗时、异常报错。
七、日常标准化巡检清单
日巡检（自动化告警为主，人工抽查）
- 查看云监控告警，确认所有告警闭环；
- 重点实例磁盘使用率，预警 > 85%；
- RDS/Redis 连接数、内存水位；
- SLB 健康后端服务器数量是否正常。
周巡检
- 安全组、RAM 权限审计，清理闲置账号；
- 快照数量与存储空间成本核查；
- 核查过期证书（SSL 证书服务）；
- 慢 SQL 汇总，推动业务优化。
月巡检
- 资源规格评估，闲置实例缩容 / 释放；成本优化；
- 容灾演练验证（数据库恢复测试）；
- 云上漏洞扫描（安全中心），修复高危漏洞。
八、变更管理规范（生产强制）
- 所有生产变更执行：变更方案 → 回滚方案 → 低峰窗口执行；
- 高危变更清单（必须评审）：
- ECS 重启、规格升级；
- RDS 参数修改、实例升降配；
- SLB 监听、安全组大规模调整；
- 数据库 DDL 语句；
- 变更前后保留监控截图，便于事后复盘。
九、通用应急故障处理 SOP
- 止损优先：先恢复业务，后定位根因；
- 信息收集：
- 时间点、受影响业务、报错信息；
- 云监控指标、SLB 访问日志、应用日志；
- 排查顺序： 网络（SLB / 安全组）→ 计算资源（ECS 负载 / 磁盘满）→ 中间件 / 数据库 → 应用代码；
- 阿里云支持渠道： 控制台提交工单；紧急故障拨打阿里云售后电话。
十、备份 & 容灾
- 区分两类备份：
- 云盘快照：系统应急恢复；
- 数据库逻辑备份 /binlog：业务数据可靠恢复；
- 定期恢复演练，不要只配置备份从不验证；
- 跨地域容灾：核心业务考虑跨地域复制（RDS 跨地域备份、OSS 跨区域复制）。
十一、阿里云常用运维命令（aliyun CLI 示例）
bash
# 列出实例
aliyun ecs DescribeInstances --RegionId cn-hangzhou
# 查询实例事件（宕机、重启事件）
aliyun ecs DescribeInstanceHistoryEvents --InstanceId i-xxxx