库、IDC分布式部署。每套服务独占物理环境，交付慢且调整难度大导致运维日益云化，底层架构实现虚拟化资源池、上层架构实现运维流程服务调用，以达到有效提高资源利用率，全面提升系统运维管理能力的目的。 三、 数据驱动运维
在云计算和大数据时代，集群规模和数据爆发式海量增长，给运维带来了巨大的挑战。运维2.0理论提出用数据说话、用数据预见运维活动、借助全量的数据提及评价运维过程，简言之，就是数据驱动运维。运维2.0的数据驱动运维关注两个重点。
(一) 构建全量的数据体系
构建全量的数据体系包括构建数据全生命周期管理和数据架构体系，做好数据分类、数据标准、数据质量和数据安全的把控，作为数据驱动体系的基础数据采集与规范平台，发挥数据价值，为运维决策和运维服务的衡量提供科学依据。
数据全生命周期管理包括数据创建、存储、清洗、迁移、归档及销毁数据从产生到灭亡的六个阶段的标准、规范和流程。
数据架构体系则从流程、人员和技术三个层面，对所采集的面向资源的、面向技术指标的、面向服务的、面向用户的以及面向产品的结构化数据和非结构化日志或文件，在数据管控、数据归属、数据架构、数据质量和数据安全方面提
出要求。具体落地方式可通过如下方式在实现。 1. 建立主数据系统，对主数据进行一致性管理和调用； 2. 建立数据质量规范与策略、数据清理标准、数据合规性标准，并将上述规则嵌入到应用系统与工具中；
3. 将数据分类，落实不同类型数据的归属者与责任人，并建立相应的逻辑数据模型和物理数据模型；
4. 建立《数据质量考核办法和实施细则》，定期对数据进行合规和安全性的审计，确保数据质量的持久可控； 5. 完善操作及分析数据的工具与技术，如数据提取、加载与转换工具、数据同步与整合工具、数据清洗工具、数据建模与分析工具等。
图示：全量数据体系
(二) 构建价值驱动体系
在建立全量数据体系，保证数据的准确性和完整性基础上，为体现数据价值，运维2.0提出价值驱动的四个方面。 1. 建立与业务战略相结合的数据战略，为数据化能力建立明确方向和目标。运维2.0提出将数据领域的管理与应用提升至企业战略层面，建立与业务战略相结合的数据战略，为数据化能力明确方向和目标。数据战略应充分消化业务战略中的数据需求，明确企业所应具备支撑业务的数据使用和处理的高阶能力要求，完整的数据体系应包含数据治理、数据管理和数据应用与服务三个高阶能力。数据战略用以强化企业基于数据的精细化管理和决策的意识。 2. 建立数据管理组织，坚持数据运维的文化，用数据认责法激活数据治理机制。在运维规划和运维活动中坚持用数据说话，坚持以定量的方法描述运维过程、定位运维故障、预见运维事件。数据驱动的运维理念反映到KPI中，确保团队成员对运维数据足够重视。建立企业数据管理组织，通过数据认责管理机制将数据资产分配到相关责任人，在数据生命周期中承担数据管理责任，与管理流程和制度结合，逐步建立数据资产人人有责的数据文化。
3. 关注不同角色的数据需求。数据的反馈需要及时准确，但并非所有人员都需要实时数据，过多实时的数据一则成本
高，其则干扰大。此时，需区分不同角色的数据需求“投其所好”，一线监控人员更多的是看服务状态，因此需要实时告警的信息；上层的运维管理人员希望看到的是服务周期性的状态、趋势和对比；工具研发人员需要看到数据的关联；产品人员关注的是产品的趋势和用户体验等。 4. 沉淀业务元数据。将业务元数据存储在配置管理数据库，建立底层数据关联。使用公共基准的元数据规则，更好的整合数据。
5. “以用带治”，建立持续滚动反馈的数据体系。让数据和运维目标相关联，通过目标驱动，自上而下的重视衡量运维服务的价值、评估目标的达成度和影响度。进而完善数据源及数据分析和展现的方法，提升运维活动的精细化管理，有效评估与衡量运维服务的质量，量化运维活动的价值。