A modern vállalati IT- és távközlési infrastruktúrák működése akár több ezer egymással összekapcsolt eszközre, alkalmazásra és szolgáltatásra épül. Egyetlen hálózati kapcsolat megszakadása, tárolórendszer-hiba, virtualizációs platform kiesése vagy alkalmazás szintű probléma rövid idő alatt riasztások százait válthatja ki a felügyeleti rendszerekben. Ilyen helyzetekben az egyik legnagyobb kihívást nem maga a hiba elhárítása jelenti, hanem annak gyors meghatározása, hogy melyik esemény indította el a teljes hibaláncot.
Ebben nyújt segítséget a Fault Management, vagyis a hálózati hibafelügyelet. A korszerű megoldások a hibák teljes életciklusát támogatják: a riasztások fogadásától és feldolgozásától kezdve az események korrelációján, a gyökérok feltárásán és a prioritások meghatározásán át egészen a helyreállítás támogatásáig. Ennek eredményeként csökken a hibaelhárítási idő, javul a szolgáltatások rendelkezésre állása és könnyebben teljesíthetők az SLA-k.
Ez a cikk informatikai üzemeltetőknek, hálózati specialistáknak, IT vezetőknek, telekommunikációs szolgáltatóknak és minden olyan szervezetnek szól, amely összetett infrastruktúrát üzemeltet.
Mi az Alarm Storm, és miért jelent komoly kihívást?
A vállalati infrastruktúrákban az egyes rendszerek szorosan kapcsolódnak egymáshoz. Egy hálózati eszköz, adatbázis, tárolórendszer vagy virtualizációs platform meghibásodása egyszerre több szolgáltatás működésére is hatással lehet. A monitoring rendszerek minden érintett komponensről külön riasztást küldenek, így néhány másodperc alatt akár több száz vagy több ezer hibajelzés is keletkezhet.
Ezt a jelenséget nevezzük Alarm Stormnak.
Alarm Storm nem kizárólag hálózati meghibásodás következtében alakulhat ki. Gyakori kiváltó ok lehet egy storage-rendszer kiesése, DNS-szolgáltatás hibája, Active Directory probléma, virtualizációs környezet meghibásodása vagy akár egy felhőszolgáltatás részleges leállása is.
A nagyszámú riasztás megnehezíti annak gyors felismerését, hogy melyik esemény indította el a hibaláncot. Az üzemeltetők ilyenkor egyszerre látnak hálózati, alkalmazás- és infrastruktúraszintű hibákat, miközben ezek jelentős része ugyanarra a kiváltó okra vezethető vissza.
Miért nem elegendő önmagában a hálózati hibafelügyelet?
A hálózati monitorozó rendszerek folyamatosan figyelik az infrastruktúra állapotát, és jelzik az elérhetetlenné vált eszközöket, a csomagvesztést, a magas válaszidőt vagy az alkalmazások működésében bekövetkező rendellenességeket. Ezek az információk nélkülözhetetlenek az üzemeltetés során, azonban egy összetett infrastruktúrában önmagukban még nem mutatják meg az események közötti összefüggéseket.
Egy szolgáltatás kiesését okozhatja hálózati kapcsolat megszakadása, hibás konfiguráció, tárolórendszeri meghibásodás, adatbázis-hiba vagy felhő szolgáltatási probléma is. A gyors hibafeltáráshoz olyan rendszerre van szükség, amely képes a különböző forrásokból érkező eseményeket együttesen elemezni.
Mi a különbség a hiba tünetei és a valódi hibaforrás között?
Tegyük fel, hogy megsérül egy optikai kábel, amely több telephely kapcsolatát biztosítja. A kapcsolat megszakadása miatt leállhat az internetelérés, megszakadhatnak az adatbázis-kapcsolatok, a routerek riasztást küldenek, az üzleti alkalmazások elérhetetlenné válnak, miközben a felhasználók hibabejelentéseket tesznek.
A beérkező riasztások alapján úgy tűnhet, hogy több különálló hiba jelentkezett egyszerre. Az események elemzése azonban megmutatja, hogy valamennyi ugyanarra a fizikai kábelhibára vezethető vissza.
A Fault Management rendszerek feladata ezeknek az összefüggéseknek a feltárása. A kapcsolódó riasztásokat egy incidenshez rendelik, így az üzemeltetők gyorsabban azonosíthatják a hiba kiváltó okát.
Hogyan működik a Root Cause Analysis?
A Root Cause Analysis (RCA) egy elemzési módszer, amelynek célja a hibát kiváltó ok meghatározása. A korszerű Fault Management rendszerek automatizált elemzésekkel támogatják ezt a folyamatot.
Az elemzés során a rendszer figyelembe veszi az események időbeli sorrendjét, a hálózati topológiát, az infrastruktúraelemek közötti kapcsolatokat, valamint az üzleti szolgáltatások függőségeit. Ezek alapján meghatározható, hogy melyik esemény jelent meg elsőként, és mely riasztások kapcsolódnak hozzá.
Az eredmény egy átlátható hibakép, amely jelentősen felgyorsítja a hibaelhárítás megkezdését.
Mi az eseménykorreláció szerepe?
Az eseménykorreláció célja, hogy a különböző rendszerekből érkező riasztásokat összefüggéseik alapján csoportosítsa. A korreláció történhet időbeli kapcsolatok, hálózati topológia, szolgáltatásfüggőségek vagy előre definiált szabályok alapján.
Egy központi hálózati kapcsolat meghibásodása például egyszerre érintheti az internet elérést, a VPN-szolgáltatásokat, az IP-telefóniát és több kritikus üzleti alkalmazást. Az eseménykorreláció segítségével ezek a riasztások közös incidensként jelennek meg, így az üzemeltetők gyorsabban felmérhetik a hiba hatását és megkezdhetik az elhárítást.
Hogyan épül fel egy modern Fault Management rendszer?
A korszerű Fault Management platformok első lépésként összegyűjtik a hálózati eszközökből, alkalmazásokból, szerverekből, adatbázisokból, felhős szolgáltatásokból és egyéb felügyeleti rendszerekből érkező eseményeket.
Az eltérő formátumú riasztásokat egységes adatmodellbe rendezik, majd korrelációs szabályok, topológiai információk és időbeli összefüggések alapján elemzik. A rendszer kiszűri a duplikált eseményeket, összekapcsolja az egymáshoz tartozó riasztásokat, meghatározza azok prioritását, és szükség esetén automatikusan incidensjegyet is létrehozhat vagy továbbíthatja az eseményt a megfelelő üzemeltetői csoportnak.
Hogyan támogatja ezt a Netvisor Fault Manager?
A Netvisor Fault and Alarm Manager különböző gyártók elemmenedzselő és hálózatfelügyeleti rendszereiből érkező riasztásokat képes egységes felületen kezelni. Az eseménykorreláció és a topológiai összefüggések elemzése támogatja a gyökérok gyors azonosítását, így az üzemeltetők rövidebb idő alatt képet kapnak a hiba hatásáról és a szükséges beavatkozásokról.
A rendszer CMDB-integrációja további információt biztosít az infrastruktúraelemek, a konfigurációs elemek (Configuration Items) és az üzleti szolgáltatások közötti kapcsolatokról. Ez pontosabb hibafeltárást és gyorsabb incidenskezelést tesz lehetővé.
Milyen üzleti előnyöket kínál a Fault Management?
A gyorsabb hibafeltárás közvetlenül javítja a szolgáltatások rendelkezésre állását és csökkenti a kiesések üzleti hatását. A rövidebb hibaelhárítási idő támogatja az SLA-k teljesítését, mérsékli az üzemeltetési költségeket, és lehetővé teszi, hogy az üzemeltetői csapatok a valóban kritikus eseményekre összpontosítsanak.
A korrelált incidensek áttekinthetőbb munkakörnyezetet biztosítanak, csökken a manuális elemzésre fordított idő, és hatékonyabbá válik az együttműködés a különböző üzemeltetői csoportok között.
Gyakori kérdések
Mi az Alarm Storm?
Az Alarm Storm olyan helyzet, amikor egyetlen infrastruktúrahiba rövid idő alatt nagyszámú riasztást vált ki. A kapcsolódó események különböző rendszerekből érkezhetnek, ezért a hiba kiváltó okának azonosítása összetett feladat.
Mit jelent a Fault Management?
A Fault Management az informatikai infrastruktúrában jelentkező hibák felismerését, elemzését, korrelációját, priorizálását és kezelésének támogatását foglalja magában. A cél a hibák gyors lokalizálása, a helyreállítás felgyorsítása és a szolgáltatások rendelkezésre állásának növelése.
Mi a különbség a monitoring és a Fault Management között?
A monitoring rendszerek folyamatosan figyelik az infrastruktúra állapotát és riasztásokat küldenek rendellenesség esetén. A Fault Management ezeket az eseményeket összefüggéseikben elemzi, meghatározza a gyökérokot és támogatja az incidensek kezelését.
Miért fontos a CMDB a hibakezelésben?
A CMDB tartalmazza az infrastruktúra konfigurációs elemeit és azok kapcsolatait. Ezek az információk segítenek meghatározni, hogy egy adott hiba mely rendszereket és üzleti szolgáltatásokat érinti, így a hibafeltárás gyorsabbá és pontosabbá válik.
Hogyan javítja a Fault Management az SLA teljesítését?
A riasztások korrelációja és a gyökérok gyors azonosítása lerövidíti a hibaelhárítás idejét, csökkenti a szolgáltatáskimaradások időtartamát, és hozzájárul a vállalt SLA-k teljesítéséhez.