运维的核心任务：让服务可交付、可观测、可恢复，并持续改善可靠性、安全性与成本。按下面的知识卡片定位领域，再进入对应速查表查命令与配置；工具名称是常见示例，按业务规模与现有环境选用。
01 · 基础环境
系统与网络
让主机正常运行，让请求到达目标服务。
- Linux 系统：文件与权限、用户与组、进程、软件包、systemd、定时任务。
- 资源检查：CPU、内存、磁盘与 I/O；
top、free、df、iostat。 - 网络基础：TCP/IP、子网、路由、DNS、HTTP/TLS、NAT 与防火墙。
- 连通排查：
ip看地址和路由，ss看套接字，dig查解析，curl查请求，tcpdump抓包。
02 · 业务运行
服务与数据
理解服务依赖，维护配置、连接与数据状态。
- 服务入口：Nginx / Apache；Web 服务、反向代理、TLS 证书与负载均衡。
- 数据库：MySQL / PostgreSQL；连接、事务、索引、慢查询、复制与备份。
- 缓存：Redis / Memcached；命中率、过期与淘汰、容量；Redis 还需关注持久化配置。
- 消息系统：Kafka / RabbitMQ；生产与消费、消息积压、重试、幂等与死信处理。
03 · 运行反馈
可观测性
发现用户受到的影响，关联指标、日志与调用链。
- 指标与监控：Prometheus 采集与存储指标，Zabbix 监控主机和服务；关注延迟、流量、错误与饱和度。
- 日志与追踪：日志记录事件，Trace 串联请求路径；Loki / Elasticsearch 存储检索日志，OpenTelemetry 采集、处理与导出遥测信号。
- 可视化与告警：Grafana 查询与展示数据；告警配置分组、去重、抑制、路由和接收人，并附处理手册。
- 可靠性目标：SLI 是服务质量指标，SLO 是目标；错误预算表示目标允许的不可靠程度。
官方入口：Prometheus · Grafana · OpenTelemetry
04 · 工程交付
部署与自动化
把重复操作变成可审查、可重复、可验证的交付。
- 版本与制品：Git 管代码与配置；构建产出带版本的包或镜像，存入制品库 / Harbor 等镜像仓库。
- CI/CD：Jenkins / GitLab CI；检查、测试、构建、部署与验证，失败时按预案处置。
- 配置与资源：Ansible 管配置和批量任务；Terraform 等 IaC 工具声明并管理基础设施资源。
- 脚本与发布：Shell / Python 编排任务；操作可重复执行、凭据独立管理；灰度 / 蓝绿发布配合健康检查与回滚预案。
继续查阅：Git · Shell 脚本 · Ansible 模块 · Dockerfile
05 · 资源平台
云与容器
管理计算、网络与存储资源，承载和调度应用。
- 云资源：计算实例、VPC / 子网、安全组、负载均衡、对象存储与身份权限。
- 容器基础：镜像、容器、卷与网络；Docker 构建和运行容器，Compose 编排多容器应用。
- Kubernetes：Pod / Deployment 管工作负载，Service 提供服务访问，ConfigMap / Secret 管配置。
- 集群运维：资源请求与限制、健康探针、滚动更新、节点与存储；Helm 管理应用包，持续核对容量与费用。
继续查阅：Docker · Compose · Kubernetes
06 · 业务连续
存储与容灾
明确数据放在哪里，以及发生故障后能恢复到哪里。
- 存储类型：文件存储 NFS / SMB、块存储 iSCSI、对象存储；按访问方式、延迟、容量与冗余需求选用。
- 备份策略：全量、增量与差异；设置保留周期、隔离副本和异地副本。数据库备份需保证一致性。
- 恢复目标：RPO 表示可容忍的数据丢失时间范围，RTO 表示目标恢复时长；用实际恢复演练验证。
- 高可用与灾备：冗余、健康检查、故障转移与跨故障域部署；复制或 RAID 不能代替独立备份，备份任务成功还需验证可恢复性。
07 · 安全与协作
安全与治理
控制访问与变更，让操作有依据、过程可追溯。
- 身份与权限：最小权限、SSH 密钥、多因素认证、凭据轮换；堡垒机用于集中访问控制与审计。
- 系统与网络防护：补丁、安全基线、网络分区、访问控制、TLS 证书与漏洞修复。
- 流程与资产：SOP 描述操作步骤，变更记录明确影响与回退方案；CMDB 维护资产、责任人与依赖关系。
- 审计与合规：记录访问和关键操作，定义日志留存、数据分类与处理规则；按业务适用要求落实。
08 · 持续改善
故障与性能
先恢复服务，再查明原因，用数据验证优化效果。
- 故障响应：确认影响与级别，指定负责人，查看近期变更；按预案限流、降级、回滚或切换，并同步进展。
- 定位与复盘：关联指标、日志、调用链和变更时间线；保留证据，复盘形成有负责人和期限的改进项。
- 性能分析：从业务延迟定位到 CPU、内存、I/O、网络或数据库瓶颈；使用
vmstat、iostat、ss、慢查询和性能剖析。 - 容量与验证：记录基线，定义负载与目标，开展压测；比较吞吐、错误率和尾延迟，再调整扩容与优化策略。
排查入口：Linux 系统检查 · 网络协议 · Kubernetes 资源检查
常用工作流程
流程中的验证结果决定是否进入下一步；发布异常触发预设停止或回退条件，恢复后仍需跟踪改进。
发布流程
- 提交与审查代码、配置、变更记录
- 测试与构建自动检查、生成制品
- 版本入库固定版本、记录来源
- 分批部署健康检查、控制流量
- 验证与处置业务指标、继续或回退
发布前明确回退条件；数据库结构变更需单独设计兼容与恢复方案。
故障处理
- 确认影响范围、级别、负责人
- 止损恢复按预案降级或回滚
- 验证服务用户请求、关键指标
- 分析根因证据、时间线、触发条件
- 复盘改进负责人、期限、演练
定位与恢复可并行推进；恢复业务优先，关键证据及时留存。P0/P1 等级与响应时限由团队事先定义。
学习路线
- 系统与网络管理主机、排查连通
- 单服务交付部署应用、接入数据库
- 观测与恢复配置告警、演练还原
- 自动化交付脚本、配置管理、CI/CD
- 平台与可靠性容器、IaC、SLO、容量
练习项目：部署一个 Web 服务，配置 TLS、监控与日志，验证备份恢复，再实现自动发布并演练一次故障回滚。