1. 课程导论与架构总览

1.1 自动化运维的发展趋势

传统运维模式正经历从“被动救火”向“主动预防与自愈”的深刻转变。随着微服务架构与容器化部署的普及，运维对象数量呈指数级增长，人工处理告警已无法满足业务连续性的要求。当前自动化运维的核心趋势可归纳为以下四个方向：

1.2 Prometheus 与 Ansible 生态介绍

1.2.1 Prometheus 生态

Prometheus 是云原生计算基金会（CNCF）的毕业项目，已成为指标监控的事实标准。其生态核心组件包括：

• Prometheus Server：负责指标采集、存储与查询（PromQL）。
• Alertmanager：处理告警路由、去重、静默与通知发送。
• Exporters：将第三方系统指标转换为 Prometheus 格式（如 node_exporter、blackbox_exporter）。
• Pushgateway：支持短生命周期任务的指标推送。
• Grafana：可视化仪表盘，与 Prometheus 深度集成。

1.2.2 Ansible 生态

Ansible 是 Red Hat 出品的无代理自动化引擎，通过 SSH 或 WinRM 执行任务。其生态核心组件包括：

• Ansible Core：执行引擎，支持 Playbook 与 Ad-Hoc 命令。
• Ansible Tower / AWX：企业级 Web UI，提供 RBAC、作业调度与 REST API。
• Ansible Galaxy：社区角色与集合的共享仓库。
• Ansible Modules：内置 1000+ 模块，覆盖系统、网络、云、容器等领域。

1.3 告警驱动自愈的核心架构

下图展示了本课程的核心架构：Prometheus 采集指标并触发告警，Alertmanager 通过 Webhook 将告警转发至自动化平台，Ansible 执行预定义的修复 Playbook，最终由健康检查验证恢复状态。

1.4 核心工作流程

告警驱动自愈的完整工作流程分为六个阶段，每个阶段都有明确的输入与输出：

1. 指标采集阶段：Prometheus 通过 Exporters 或直接拉取方式，按固定间隔（如 15s）采集目标系统的 CPU、内存、磁盘、网络等指标。
2. 告警评估阶段：Prometheus 根据预定义的告警规则（如 node_cpu_seconds_total > 0.9）评估指标是否触发阈值。
3. 告警通知阶段：Alertmanager 接收告警后，根据路由配置进行分组、去重，并通过 Webhook 发送至 Ansible 自动化平台。
4. 修复决策阶段：Ansible Tower/AWX 接收 Webhook 后，根据告警标签（如 severity=critical、service=nginx）匹配对应的修复 Playbook。
5. 修复执行阶段：Ansible 在目标主机上执行 Playbook，例如重启服务、清理磁盘空间、调整配置参数等。
6. 验证闭环阶段：执行完成后，Prometheus 再次采集指标，确认告警是否恢复。若未恢复，则触发升级策略或通知人工介入。

1.5 课程实验环境概览

本课程将基于以下实验环境进行实战演练：