算法在运维

① 大数据运维的主要工作内容是什么

大数据相关工作岗位很多，有大数据分析师、大数据挖掘算法工程师、大数据研发工程师、数据产品经理、大数据可视化工程师、大数据爬虫工程师、大数据运营专员、大数据架构师、大数据专家、大数据总监、大数据研究员、大数据科学家等等

数据分析师：
工作内容：
a.临时取数分析，比如双11大促活动分析；产品的流量转化情况、产品流程优化分析，等等；
b.报表需求分析--比如企业常见的日报、周报、月报、季报、年报、产品报表、流量转化报表、经营分析报表、KPI报表等等；
c.业务专题分析：
精准营销分析（用户画像分析、营销对象分析、营销策略分析、营销效果分析）；
风控分析（策略分析，反欺诈分析，信用状况分析）；
市场研究分析（行业分析、竞品分析、市场分析、价格分析、渠道分析、决策分析等等）；
工具和技能：
工具： R、python、SAS、SPSS、Spark、X-Mind、Excel、PPT
技能：需掌握SQL数据库、概率统计、常用的算法模型（分类、聚类、关联、预测等，每一类模型的一两种最典型的算法）、分析报告的撰写、商业的敏感性等等；

数据挖掘工程师：
工作内容：
a.用户基础研究：用户生命周期刻画（进入、成长、成熟、衰退、流失）、用户细分模型、用户价值模型、用户活跃度模型、用户意愿度识别模型、用户偏好识别模型、用户流失预警模型、用户激活模型等
b.个性化推荐算法：基于协同过滤（USERBASE/ITEMBASE）的推荐，基于内容推荐，基于关联规则Apriot算法推荐，基于热门地区、季节、商品、人群的推荐等
c.风控模型：恶意注册模型、异地识别模型、欺诈识别模型、高危会员模型、
电商领域（炒信模型、刷单模型、职业差评师模型、虚假发货模型、反欺诈模型）
金融领域（欺诈评分模型、征信评分模型、催收模型、虚假账单识别模型等）
d.产品知识库：产品聚类分类模型、产品质量评分模型、违禁品识别模型、假货识别模型等
e.文本挖掘、语义识别、图像识别，等等
工具和技能：
工具： R、Python、SAS、SPSS、Spark、Mlib等等
技能：需掌握SQL数据库、概率统计、机器学习算法原理（分类、聚类、关联、预测、神经网络等）、模型评估、模型部署、模型监控；

数据产品经理：
工作内容：
a.大数据平台建设，让获取数据、用数据变得轻而易举；构建完善的指标体系，实现对业务的全流程监控、提高决策效率、降低运营成本、提升营收水平；
b.数据需求分析，形成数据产品，对内提升效率、控制成本，对外增加创收，最终实现数据价值变现；
c.典型的大数据产品：大数据分析平台、个性化推荐系统、精准营销系统、广告系统、征信评分系统（如芝麻评分）、会员数据服务系统（如数据纵横），等等；
工具和技能：
工具： 除了掌握数据分析工具，还需要掌握 像 原型设计工具Auxe、画结构流程的X-Mind、visio、Excel、PPT等
技能：需掌握SQL数据库、产品设计，同时，熟悉常用的数据产品框架

数据研发工程师：
工作内容：
a.大数据采集、日志爬虫、数据上报等数据获取工作
b.大数据清洗、转换、计算、存储、展现等工作
c.大数据应用开发、可视化开发、报表开发等
工具和技能：
工具：hadoop、hbase、hive、kafaka、sqoop、java、python等
技能：需掌握数据库、日志采集方法、分布式计算、实时计算等技术

② 运维工程师，工作内容有哪些

随着移动互联网、O2O、云计算、大数据的发展，一些大的互联网公司对服务可靠性的追求，也会转化为对运维工程师的技能和能力要求，这也是目前高端运维工程师十分稀缺的原因。

当然，想要成为一名优秀的运维工程师也不是一件简单的事情，需要学习信息安全、linux运维、windows运维、oracle、网络技术等等内容。当然，运维的发展还是有许多选择的，下面我们来看一看都有哪些岗位的运维工程师。

1、Linux运维工程师

Linux云计算运维工程师这个岗位，甚至到后期薪资会比开发高的多，做运维年薪50W的还是十分常见。想要成为优秀的Linux运维工程师，像linux系统、基础命令、shell脚本、MySQL都是运维工程师必需要学的内容。一般来说，大公司运维还要懂一些内核以及C编程之类知识。对于小公司而言技术要求能力要求并不是很高，基本也用不到多少开发的知识。

2、运维工程师/运维开发工程师：

运维工程师、运维开发工程师绝对是企业的核心职位之一。想要成为一名运维工程师或是运维开发工程师，需要非常丰富的实践经验。除了要熟练掌握产品线的运维工作，同时也需要学习开发镇携耐的能力，学习了解业务的痛点和问题。当然了，运维开发工隐激程师的长远发展是成为大型系统的架构师，其职业前途和薪资待遇自然不必多说。

3、数据库工程师：

数据库方向是运维技术中较为特殊的一个方向，由于业务的重要性通常需要专设岗位，业界在该方向也有深厚的研究和积累。想要成为数据库工程师，主要方向有数据库内核、云数据库等，工资待遇在一万左右，长远发展目标是数据库领域的技术专家，数据库架构师。

4、运维平台研发工程师：

专门研发运维相关通用平台和技术，需要有一定的产品线运维经验或从产品线中拿到运维需求。对研发能力有较高的要求，对系统的设计有较严格的标准，并且能够理解用户需求，做出适合服务运维和满足运维工程师使用体验的运维产品，长远的发展是成为各个技术纵向领域的技术专家。

5、运维经理：

想要成为一名优秀的运维经理，对协调和推进能力的要御春求比较高。所以一些技术深度还不错，协调和推进能力比较高的同学，非常适合转型管理职位。长远的发展和技术部门的管理职位一样，目标是CTO、CEO，年薪百万不是梦。

总体上看来，想要成为一名优秀的运维工程师，必须要有不断提升的学习态度，做到掌握多种技能，像是运维、架构、编程、算法等能力综合发展。在未来可以预见的是，运维工程师的素养和要求会越来越高，发展到一定阶段后，界限也会越来越模糊。

③ 云计算运维人员将面临哪些新趋势

1、企业野斗早IT系统越发复杂，运维挑战更大，需要实现更高程度的自动化
随着数字化升级的深入、业务的增长，企业的IT系统日趋复杂，林林总总的网络设备、服务器、中间件、以及业务系统微服务化等让IT运维人员难以从容应对，即使加班加点地维护、部署、管理也经常会因这样或那样的故障而导致业务的中断，严重影响业务的正常运行。
同时，市场竞争变得越来越激烈，企业业务迭代需提速，以抢占市场先机，互联网行业尤为明显。产品市场化或迭代的速度成为产品成功至关重要的一个条件，如何更好地支持业务的快速迭代就成了运维人员又一压力。显然，人工的运维方式难以为继，于是国内运维行业开始寻求自动化。
工欲善其事必先利其器。随着技术的发展和自动化运维工具的出现，包括事件监控预警、自动化部署、自动化编排以及自助诊断等工具，为运维效率的提升提供了可能。
2、云计算的诞生和大规模普及，带来了运维对象、运维工具甚至是技能的变化，DevOps趋势引起关注
一般，很多企业会把运维部门的工作分成两个层级：一是基础设施运维，主要是针对企业IT基础设施的管理，包括服务器、交换机、网络等物理资源的监控、报警、维修上线等;二是应用运维，主要是针对企业具体业务的运维，包括某些业务应用的上线下线、发布部署和扩缩容等。
从业务的维度来说，应用运维的效率提升能更直接地加快业务迭代的效率和增长速率;基础运维则是根基，自建数据中心的企业，其运维的主要工作侧重于基础设施。
云计算具有“软件(或服务)定义一切”的特点，云厂商基本承接了底层基础设施的维护与虚拟化的工作。上云之后，企业运维的主要对象则从硬件(服务器等)，转向了面向服务API的运维，包括主机运维和应用运维，提倡自动化的部署流水线和持续交付的DevOps愈发受到关注。
3、人工智能与大数据兴起
到近几年，运维时兴概念不止于DevOps，还有各种DataOps与AIOps。这些都反映了运维领域智销帆能化、数据化运作的需求。
智能化实际上是自动化的更高追求，可以进一步释放运维人员的时间。人工智能热潮卷到一切实现能够自颂雀动化的领域，运维领域也不例外，这必然是发力的重要方向之一。不过，在大多数企业还未完全实现大规模的自动化，甚至初步的代码化时，智能运维实际上有点遥远。

④ 相比传统运维工具，AIOps的优势在哪里

作为一种将算法集成到工具里的新型运维方式，AIOps 可以帮助企业最大程度地简化运维工作，把 IT 从耗时又容易出错的流程中解放出来。

有了 AIOps，当 IT 出现故障隐患，运维人员不需要再等待系统发出故障告警，通过内置的机器学习算法以及大数据技术，就能自动发现系统的各类异常，从而实现从异常入手判断故障发生的镇老扮可能性、严重性和影响，依赖机器对数据的分析结果，判断最佳的应对方案。

由此可以看出，基于 AIOps 的管理方法对监控式运维的底层技术实现了颠覆。传统 IT 运维管理工具更为关注突发事件（即告警）、配置和性能，而 AIOps 则更加关注问题、分析和预测御灶，二者可谓互相补充相得益彰。

对 IT 运维人员而言，当一条含兆告警被确认的时候，不但意味着你第一时间发现了业务故障，更意味着在故障发生的这一刻，业务已经受到了影响。而随着 AIOps 的出现，IT 部门可以通过机器学习和算法技术，事先发现 IT 系统的运行异常，提前进行故障的防范甚至规避措施，确保业务故障不出现或者少出现，这些对于 IT 和业务部门来说意义重大。

⑤ 智能运维是什么

得益于IT外包服务的发达，现在的运维已经不包括搬缓郑机器上架、接网线、安装操作系统等基础工作，运维人员一般会从一台已安装好指定版本的操作系统、粗此分配好IP地址和账号的服务岩哪迅器入手，工作范围大致包括：服务器管理（操作系统层面，比如重启、下线）、软件包管理、代码上下线、日志管理和分析、监控（区分系统、业务）和告警、流量管理（分发、转移、降级、限流等），以及一些日常的优化、故障排查等。

随着业务的发展、服务器规模的扩大，才及云化（公有云和混合云）、虚拟化的逐步落实，运维工作就扩展到了容量管理、弹性（自动化）扩缩容、安全管理，以及（引入各种容器、开源框架带来的复杂度提高而导致的）故障分析和定位等范围。

听上去每一类工作都不简单。不过，好在这些领域都有成熟的解决方案、开源软件和系统，运维工作的重点就是如何应用好这些工具来解决问题。

传统的运维工作经过不断发展（服务器规模的不断扩大），大致经历了人工、工具和自动化、平台化和智能运维（AIOps）几个阶段。这里的AIOps不是指Artificial Intelligence for IT Operations，而是指Algorithmic IT Operations（基于Gartner的定义标准）。

基于算法的IT运维，能利用数据和算法提高运维的自动化程度和效率，比如将其用于告警收敛和合并、Root分析、关联分析、容量评估、自动扩缩容等运维工作中。

在Monitoring（监控）、Service Desk（服务台）、Automation（自动化）之上，利用大数据和机器学习持续优化，用机器智能扩展人类的能力极限，这就是智能运维的实质含义。

智能运维具体的落地方式，各团队也都在摸索中，较早见效的是在异常检测、故障分析和定位（有赖于业务系统标准化的推进）等方面的应用。智能运维平台逻辑架构如图所示。

智能运维平台逻辑架构图

智能运维决不是一个跳跃发展的过程，而是一个长期演进的系统，其根基还是运维自动化、监控、数据收集、分析和处理等具体的工程。人们很容易忽略智能运维在工程上的投入，认为只要有算法就可以了，其实工程能力和算法能力在这里同样重要。

智能运维需要解决的问题有：海量数据存储、分析、处理，多维度，多数据源，信息过载，复杂业务模型下的故障定位。这些难题是否会随着智能运维的深入应用而得到一定程度的解决呢？我们会在下一篇文章中逐步展开这些问题，并提供一些解决方案。

本文选自《智能运维：从0搭建大规模分布式AIOps系统》，作者彭冬、朱伟、刘俊等，电子工业出版社2018年7月出版。

本书结合大企业的智能运维实践，全面完整地介绍智能运维的技术体系，让读者更加了解运维技术的现状和发展。同时，帮助运维工程师在一定程度上了解机器学习的常见算法模型，以及如何将它们应用到运维工作中。

⑥ 运维方向的校招在面试，笔试时对算法能力要求有多高

会有一些笔试题目让你做，这些陵滚念题目网上一般都有，你可以自己看看，Tanjurd可以尺困告诉你，面试相对更容易些，主要是问一些你做过什么项目，在这个项目当当的角色以及做了什么，其他就随便聊就是了，楼主不用紧张，祝你备源好运。

⑦ IT运维平台算法背后的两大“神助攻”

智能运维(AIops)是目前 IT 运维领域最火热的词汇，全称是 Algorithmic IT operations platforms，正规翻译是‘基于算法的 IT 运维平台’，直观可见算法是智能运维的核心要素之一。

本文主要谈算法对运维的作用，涉及异常检测和归因分析两拆御隐方面，围绕运维系统Kale 中 skyline、Oculus 模块、Opprentice 系统、Granger causality（格兰杰因果关系）、FastDTW 算法等细节展开。

一、异常检测

异常检测，是运维工程师们最先可能接触的地方了。毕竟监控告警是所有运维工作的基础。设定告警阈值是一项耗时耗力的工作，需要运维人员在充分了解业务的前提下才能进行，还得考虑业务是不是平稳发展状态，否则一两周改动一次，运维工程师绝对是要发疯的。

如果能将这部分工作交给算法来解决，无疑是推翻一座大山。这件事情，机器学习当然可以做到。但是不用机器学习，基于数学统计的算法，同样可以，而且效果也不差。

异常检测之Skyline异常检测模块

2013年，Etsy 开源了一个内部的运维系统，叫 Kale。其中的 skyline 部分，就是做异常检测的模块， 它提供了 9 种异常检测算法 ：

first_hour_average、

simple_stddev_from_moving_average、

stddev_from_moving_average、

mean_subtraction_cumulation、

least_squares

histogram_bins、

grubbs、

median_absolute_deviation、

Kolmogorov-Smirnov_test

简要的概括来说，这9种算法分为两类：

从正态分布入手：假设数据服从高斯分布，可以通过标准差来确定绝大多数数据点的区间；或者根据分布的直方图，落在过少直方里的数据就是异常；或者根据箱体图分析来避免造成长尾影响。

从样本校验入手：采用 Kolmogorov-Smirnov、Shapiro-Wilk、Lilliefor 等非参数校验方法。

这些都是统计学上的算法，而不是机器学习的事情。当然，Etsy 这个 Skyline 项目并不是异常检测的全部。

首先，这里只考虑了一个指标自己的状态，从纵向的时序角度做旅厅异常检测。而没有考虑业务的复杂性导致的横向异常。其次，提供了这么多种算法，到底一个指标在哪种算法下判断的更准？这又是一个很难判断的事情。

问题一： 实现上的抉择。同样的样本校验算法，可以用来对比一个指标的当前和历史情况，也可以用来对比多个指标里哪个跟别的指标不一样。

问题二： Skyline 其实自己采用了一种特别朴实和简单的办法来做补充——9 个算法每人一票，投票达到阈值就算数。至于这个阈值，一般算 6 或者 7 这样，即占到大多数即可。

异常检测之Opprentice系统

作为对比，面对相同的问题，网络 SRE 的智能运维是怎么处理的。在去年的 APMcon 上，网络工程师描述 Opprentice 系统的主要思想时，用了这么一张图：

Opprentice 系统的主体流程为：

KPI 数据经过各式 detector 计算得到每个点的诸多 feature；

通过专门的交互工具，由运维人员标记 KPI 数据的异常时间段；

采用随机森林算法做异常分类。

其中 detector 有14种异常检测算法，如下图：

我们可以看到其中很多算法在 Etsy 的 Skyline 里同样存在。不过，为避免给这么多算法调配参数，直接采用的办法是：每个参数的取值范围均等分一下——反正随机森林不要求什么特征工程。如，用 holt-winters 做为一类拆滚 detector。holt-winters 有α，β，γ 三个参数，取值范围都是 [0, 1]。那么它就采样为 (0.2, 0.4, 0.6, 0.8)，也就是 4 ** 3 = 64 个可能。那么每个点就此得到  64  个特征值。

异常检测之

Opprentice 系统与 Skyline 很相似

Opprentice 系统整个流程跟 skyline 的思想相似之处在于先通过不同的统计学上的算法来尝试发现异常，然后通过一个多数同意的方式/算法来确定最终的判定结果。

只不过这里网络采用了一个随机森林的算法，来更靠谱一点的投票。而 Etsy 呢？在 skyline 开源几个月后，他们内部又实现了新版本，叫 Thyme。利用了小波分解、傅里叶变换、Mann-whitney 检测等等技术。

另外，社区在 Skyline 上同样做了后续更新，Earthgecko 利用 Tsfresh 模块来提取时序数据的特征值，以此做多时序之间的异常检测。我们可以看到，后续发展的两种 Skyline，依然都没有使用机器学习，而是进一步深度挖掘和调整时序相关的统计学算法。

开源社区除了 Etsy，还有诸多巨头也开源过各式其他的时序异常检测算法库，大多是在 2015 年开始的。列举如下：

Yahoo! 在去年开源的 egads 库。(Java)

Twitter 在去年开源的 anomalydetection 库。(R)

Netflix 在 2015 年开源的 Surus 库。(Pig，基于PCA)

其中 Twitter 这个库还被 port 到 Python 社区，有兴趣的读者也可以试试。

二、归因分析

归因分析是运维工作的下一大块内容，就是收到报警以后的排障。对于简单故障，应对方案一般也很简单，采用 service restart engineering~ 但是在大规模 IT 环境下，通常一个故障会触发或导致大面积的告警发生。如果能从大面积的告警中，找到最紧迫最要紧的那个，肯定能大大的缩短故障恢复时间(MTTR)。

这个故障定位的需求，通常被归类为根因分析（RCA，Root Cause Analysis）。当然，RCA 可不止故障定位一个用途，性能优化的过程通常也是 RCA 的一种。

归因分析之 Oculus 模块

和异常检测一样，做 RCA 同样是可以统计学和机器学习方法并行的~我们还是从统计学的角度开始。依然是 Etsy 的 kale 系统，其中除了做异常检测的 skyline 以外，还有另外一部分，叫 Oculus。而且在 Etsy 重构 kale 2.0 的时候，Oculus 被认为是1.0 最成功的部分，完整保留下来了。

Oculus 的思路，用一句话描述，就是：如果一个监控指标的时间趋势图走势，跟另一个监控指标的趋势图长得比较像，那它们很可能是被同一个根因影响的。那么，如果整体 IT 环境内的时间同步是可靠的，且监控指标的颗粒度比较细的情况下，我们就可能近似的推断：跟一个告警比较像的最早的那个监控指标，应该就是需要重点关注的根因了。

Oculus 截图如下：

这部分使用的 计算方式有两种：

欧式距离，就是不同时序数据，在相同时刻做对比。假如0分0秒，a和b相差1000，0分5秒，也相差1000，依次类推。

FastDTW，则加了一层偏移量，0分0秒的a和0分5秒的b相差1000，0分5秒的a和0分10秒的b也相差1000，依次类推。当然，算法在这个简单假设背后，是有很多降低计算复杂度的具体实现的，这里就不谈了。

唯一可惜的是 Etsy 当初实现 Oculus 是基于 ES 的 0.20 版本，后来该版本一直没有更新。现在停留在这么老版本的 ES 用户应该很少了。除了 Oculus，还有很多其他产品，采用不同的统计学原理，达到类似的效果。

归因分析之 Granger causality

Granger causality（格兰杰因果关系）是一种算法，简单来说它通过比较“已知上一时刻所有信息，这一时刻 X 的概率分布情况”和“已知上一时刻除 Y 以外的所有信息，这一时刻 X 的概率分布情况”，来判断 Y 对 X 是否存在因果关系。

可能有了解过一点机器学习信息的读者会很诧异了：不是说机器只能反应相关性，不能反应因果性的么？需要说明一下，这里的因果，是统计学意义上的因果，不是我们通常哲学意义上的因果。

统计学上的因果定义是：‘在宇宙中所有其他事件的发生情况固定不变的条件下，如果一个事件 A 的发生与不发生对于另一个事件 B 的发生的概率有影响，并且这两个事件在时间上有先后顺序（A 前 B 后），那么我们便可以说 A 是 B 的原因。’

归因分析之皮尔逊系数

另一个常用的算法是皮尔逊系数。下图是某 ITOM 软件的实现：

我们可以看到，其主要元素和采用 FastDTW 算法的 Oculus 类似：correlation 表示相关性的评分、lead/lag 表示不同时序数据在时间轴上的偏移量。

皮尔逊系数在 R 语言里可以特别简单的做到。比如我们拿到同时间段的访问量和服务器 CPU 使用率：

然后运行如下命令：

acc_count<-scale(acc$acc_count,center=T,scale=T)

cpu<-scale(acc$cpuload5,center=T,scale=T)

cor.test(acc_count,cpu)

可以看到如下结果输出：

对应的可视化图形如下：

这就说明网站数据访问量和 CPU 存在弱相关，同时从散点图上看两者为非线性关系。因此访问量上升不一定会真正影响 CPU 消耗。

其实 R 语言不太适合嵌入到现有的运维系统中。那这时候使用 Elasticsearch 的工程师就有福了。ES 在大家常用的 metric aggregation、bucket aggregation、pipeline aggregation 之外，还提供了一种 matrix aggregation，目前唯一支持的 matrix_stats 就是采用了皮尔逊系数的计算，接口文档见：

https://www.elastic.co/guide/en/elasticsearch/reference/current/search-aggregations-matrix-stats-aggregation.html

唯一需要注意的就是，要求计算相关性的两个字段必须同时存在于一个 event 里。所以没法直接从现成的 ES 数据中请求不同的 date_histogram，然后计算，需要自己手动整理一遍，转储回 ES 再计算。

饶琛琳，目前就职日志易，有十年运维工作经验。在微博担任系统架构师期间，负责带领11人的SRE团队。着有《网站运维技术与实践》、《ELKstack权威指南》，合译有《Puppet 3 Cookbook》、《Learning Puppet 4》。在众多技术大会上分享过自动化运维与数据分析相关主题。

⑧ 未来的运维方式是怎样的人工智能可靠吗

在今年云栖大会判乱上就看到了驻云科技发布掘毕档了一个新的人工智能数中产品。是安装在一个Ipad上的智能运维系统。准备下载试用一下。

⑨ 运维是做什么的工作

运维是指对大型组织已经建立好的网络软硬件的运行维护。那么具体运维是干什么的呢？下面就和我一起去看一下相关信息吧，希望可以给大家带来帮助。

运维是干什么的

运维，这里指互联网运维，通常属于技术部门，与研发、测试、系统管理同为互联网产品技术支撑的4大部门，这个划分在国内和国外以及大小公司间都会多少有一些不同。

一个互联网产品的生成一般经历的过程是：产品经理、需求分析、研发部门开发、测试部门测试、运维部门部署发布以及长期的运行维护。

运维，本质上是对网络、服务器、服务的生命周期各个阶段的运营与维护，在成本、稳定性、效率上达成一致可接受的状态。

运维工程师是做什么的

1、问题发现：设计并开发高效的监控平台和告警平台，使用机器学习、大数据分析等方法对系统中的大量监控数据进行汇总分析，以及在系统出现异常的时候可以快速的发现问题和判断故障的影响。

2、问题处理：设计并开发高效的问题处理平台和工具，在系统出现扮困缓异常的时候可以快速/自动决策并触发相关止损预案，快速尺旅恢复服务。

3、问题跟踪：通过分析问题发生时系统的各种表现(日志、变更、监控)确定问题发生的根本原因，制定并开发预案工具。

4、变更管理：以可控的方式，尽可能高效的完成产品功能的迭代的变更工作。在这方面主要工作内容有：

5、配置管理：通过配置管理平台(自研、开源)管理服务涉及到的多个模块、多个版本的关系以及配置的准确性。

6、发布管理：通过构建自动化的平台确保每一次版本变更可以安全可控地发布到生产环境。

7、容量管理：在服务运行维护阶段，为了确保服务架构部署的合理性同时掌握服务整体的冗余，需要不断评估系统的承载能力，并不断优化之。在这方面主要工作内容有：

运维工程师一月多少钱

起薪多在8-10K，1-3年工作经验可达12-16K，3-5年工作经验可拿到年薪30-50W，被各大厂大量需要并且薪资不亚于程序员的互联网英雄。虽然互联网技术岗位更容易“月薪过万”，但是互联网的需求不再是会单一技能的运维，而是对运维+开发的人才由衷青睐，薪资也自然比普通运维更高。

在逐步的发展阶段中，注重总结反省的工程师会逐渐成长为高阶运维人员，通常他们会有比较体系化的服务运维理解。也有一部分工程师由于出色的项目管理规划能力，逐渐成为项目经理。再进一步的发展，高阶的运维人员对于产品的理解将非常的透彻，因而在这种情况下，高阶运维人员甚至可以成为产品的产品经理、产品研发的咨询顾问，在产品功能的设计与开发中起到至关重要的角色。

各个方向上的工程师发展到一定阶段后，没有明确的界限，需要同时具备较强的运维、架构、编程、算法等能力，是一厅模个要求很高要求的职业。以后运维工程师的素养会越来越高，规范也会越来越强。

⑩ 云计算运维值得学吗 以下几点带你了解

1、答案是值得。云计算时代，能拥有云计算技术的运维前景一片大好，不仅更具竞争优势，薪资也是水涨船高，而且未来转型的路子也多。主要体现在以下几点内容。

2、不同于传统运维。云计算的运维已经打破传统运维的框架和定式，对工程师的技术要求非常高，既要会写代码，又要懂算法，本质上是DevOps。

3、有利于个人成长以及经验积累。可以这么说，运维工程师能够对整个云产品有宏观的把握和认识，包括软件整体铅搜册架构、底层技术、性能优化等等，这是最容易成为架构师的途径之一。

4、掌握先机和主动权。“云”的要求是高可靠、高容错、高性能、可扩展等，国内外牛逼的“云”拼到最后都是拼运维，谁能做到这几点，就有赢面了。

5、可以选择不同的转型方向。若走技术路线，可以向技术总监、架构师方向努力；若不想走技术路线，可以跳到体制内，只要有云平台的企业或者机关漏键单位，信息部(科)都需要运维工程师（所见所闻）。

6、今明两年是运维和开发快速融合的两年，运维工程师技术含量及要求未来会越来越高，同时也是对公司应用、架构最了解最熟悉的人、越来越得到重视。

由于运维岗位所接触的知识面非槐宏常广阔，如内核、网络、开发、数据库等方面，提升运维人员自身的知识体系尤为重要，更容易培养或发挥出个人某些方面的特长或爱好，可以做得非常深入精通、成为这方面的专家。云计算发展正在进入以企业上云和技术融合为两大特征的新阶段。而掌握云计算技术的运维势必成为互联网新宠！所以值得一学。