Skip to content

Computing › DevOps › DevOps 基礎

DevOps 基礎 (DevOps Fundamentals) ​

DevOps 不是一套工具,也不只是把開發 (Dev) 與維運 (Ops) 放進同一張組織圖,而是一種工作方式:讓軟體從需求、開發、測試、部署到營運的整條流程更快、更穩、更可控。核心是變更管理:讓變更可以更頻繁,但風險可以被看見與回復。

要解決的問題 ​

問題DevOps 的做法
需求、開發、測試、部署彼此斷開,交接等待跨角色更早協作,流程連成一條 pipeline
每次改動又慢又危險小而頻繁的變更 + 自動化測試
手動部署出錯部署腳本化、可重複
上線後出問題很難定位與回滾可觀測性 + 可回滾的發布

流程 ​

text
需求 → 設計 → 開發 → 測試 → 部署 → 監控與回饋
  ▲                                         │
  └─────────────────────────────────────────┘
          (持續改進:回饋決定下一個需求)

DevOps 不讓這些步驟消失,而是讓它們之間更連續,並以自動化減少等待與人為錯誤。每次變更都要能回答:需求有對齊嗎?改動可以測試嗎?上線後可以回滾嗎?風險看得見嗎?沒有這些制度,自動部署只是把混亂更快送進正式環境。

CI/CD ​

持續整合 (CI)持續交付 (Continuous Delivery)持續部署 (Continuous Deployment)
做什麼頻繁合併程式碼,每次都自動建置與測試每次變更都自動準備好可發布的版本通過檢查就自動上線
人工步驟—上線前人工核准無
目標盡早發現衝突與缺陷隨時可發布最快的回饋
text
push / PR ──► 建置 ──► lint + 單元測試 ──► 整合測試 ──► 打包(容器映像檔)──► 部署 staging ──► 部署 production
               └──────────────── 任一步失敗就停下並通知 ────────────────┘

CI/CD 是機制而不是目的。實作見 GitHub Actions。

實務做法 ​

做法說明相關筆記
版本控制一切程式碼、設定、基礎設施、pipeline 定義Git
主幹開發、短命分支分支越久,合併越痛GitHub 協作
自動化測試頻繁變更若沒有自動驗證就無法擴張測試
基礎設施即程式碼 (IaC)Terraform、CloudFormation、Bicep:環境可重建、可審查Cloud
容器化開發、測試、正式環境一致Docker
漸進式發布藍綠部署、金絲雀發布 (canary)、功能開關 (feature flag),出問題時影響小、易回滾—
可觀測性logs、metrics、traces;沒有可觀測訊號,每次上線都在賭—

DORA 指標 ​

衡量交付能力常用的四個指標:

指標意義
部署頻率多久部署一次到正式環境
變更前置時間commit 到上線要多久
變更失敗率有多少部署造成問題
復原時間出事後多久恢復

速度(前兩項)與穩定(後兩項)並不衝突:高績效團隊兩者都好。

單體 vs 微服務 ​

單體 (monolith)微服務 (microservices)
結構一個大的部署單位多個可獨立部署的小服務,各有資料與邏輯
優點簡單、易於除錯、交易一致變更邊界清楚、可獨立擴展與部署
代價變更風險集中、部署牽一髮動全身協調、網路、監控、資料一致性複雜
DevOps 需求中高:服務多 → 整合面、部署次數、監控需求都增加

微服務不是天生比較進步。小團隊、早期產品從結構良好的單體開始通常更好。

對資料與 ML 工作的意義 ​

資料 pipeline 與模型也是會變更的系統,同樣需要測試、部署與監控:

延伸重點
DataOpspipeline 程式碼化、資料品質檢查自動化、變更可追蹤(資料品質檢查)
MLOps資料、模型、程式碼一起版本化;訓練與部署自動化;模型監控(MLOps)
生資分析pipeline 用 工作流引擎 + 容器;CI 跑小型測試資料集(nf-core 的 -profile test)

資料品質不只是資料團隊的事:好的工程流程、自動化測試與可觀測性能更早發現資料異常;但不是所有資料都需要同等級的品質要求,依用途決定。

常見誤區 ​

誤區說明
DevOps = 某套工具鏈工具只是手段,核心是流程與回饋
只有自動部署,沒有測試與監控把錯誤更快送上線
微服務一定比較好忽略協調與治理成本
資料品質是資料團隊的事應納入工程流程