對于SRE一詞，想必大家已經(jīng)不陌生了，滿世界都在講SRE，但是SRE到底是個什么角色？負責哪些工作呢？今天來給大家解惑一下。
SRE最早是由Google提出的概念，其大概的意思就是：以標準化、自動化、可擴展驅(qū)動維護，用軟件開發(fā)解決運維難題。這個崗位面世的時候，其根本要解決的問題就是打破傳統(tǒng)研發(fā)人員快速迭代而引發(fā)的業(yè)務不穩(wěn)定性，用以保證業(yè)務維護側重的服務質(zhì)量以及穩(wěn)定性之間的平衡。
不同公司的SRE定位是不同的，可能某些公司的運維崗位也是SRE，因此，不能以偏概全，國內(nèi)的SRE基本是以崗位來區(qū)分的，比如，有負責網(wǎng)絡的SRE，有負責DBA的SRE，有專門負責業(yè)務的SRE，還有什么安全SRE等等。就谷歌所提到的SRE的理解來講，基本都是以服務質(zhì)量穩(wěn)定為基線的維護工程師，只是對于SRE的要求是苛刻的，下面是我的個人理解：
第一：技能全面，比如網(wǎng)絡、操作系統(tǒng)、監(jiān)控、CICD、研發(fā)等，對于研發(fā)能力，可能不需要你精通，但是你需要具備可以使用一門語言完成某個功能的設計、開發(fā)與迭代。
第二：打破傳統(tǒng)運維思想壁壘，以產(chǎn)品角度思維貫穿整個業(yè)務架構服務質(zhì)量為前提的溝通協(xié)調(diào)能力。
第三：始終以軟件工程解決問題為方向的規(guī)劃之路。
第四：很強的Trouble Shooting與思考、抽象能力，這三個能力在SRE工作當中是至關重要的，是時間與實踐積累的最終成果。
綜上所述，國內(nèi)現(xiàn)在的SRE，大致可以分成倆個層級，PasS-SRE和業(yè)務SRE，前者主要是維護平臺基建服務質(zhì)量為主的SRE，后者主要是維護業(yè)務服務質(zhì)量穩(wěn)定性為主的SRE，業(yè)務SRE比較像業(yè)務運維。
上面的定義只適合大廠，對于還沒有傳播SRE文化，SRE的崗位是比較模糊的，其定位可能就是一個運維開發(fā)工程師，要解決的問題也是全面的、多元化的。在推廣SRE文化以及建設SRE工作守則的時候，需要對當前的業(yè)務架構、技術架構有全面的了解，并合理的對基建做好設計、規(guī)劃、調(diào)整，這樣，SRE文化才會被更好的推行下去。
下面的都是由網(wǎng)上整理而來，因為SRE的工作范圍是由谷歌最早提出以及實踐過的，所以，他的工作范圍就如下所示，萬變不離其宗，在這里其實有一個很核心的關鍵點，那就是基建的穩(wěn)定性決定了SRE的工作效率，因此，我們在建設SRE文化與工作職責的時候，也要把基建的一些因素考慮進去。
以下為《SRE谷歌運維解密》一書當中已經(jīng)提到了關鍵點：
可觀測性系統(tǒng)
故障響應
測試與部署
容量規(guī)劃
自動化軟件開發(fā)
用戶支持
Oncall
制定可交付的SLI/SLO/SLA
故障復盤
可觀測性系統(tǒng)
在任何有一定規(guī)模的企業(yè)內(nèi)部，一旦推行起來整個SRE的運維模式，那么對于可觀測性系統(tǒng)的建設將變得尤為重要，而在整個可觀測性系統(tǒng)中，通常我們會分為如下三個方面：
指標監(jiān)控：即各種指標監(jiān)控，比如基礎資源指標，服務性能指標，業(yè)務的調(diào)用指標。
日志：各種設備以及服務的運行日志監(jiān)控。
調(diào)用鏈：業(yè)務層面的調(diào)用鏈分析，通常在分布式系統(tǒng)中幫助運營、開發(fā)以及運維人員快速識別整體調(diào)用的瓶頸點
一整套的可觀測系統(tǒng)，它能確保你洞察系統(tǒng)，跟蹤系統(tǒng)的健康狀態(tài)、可用性以及系統(tǒng)內(nèi)部發(fā)生的事情。
對于整個可觀測系統(tǒng)的建設，需要注意如下兩點：
確定質(zhì)量標準是什么，并確保系統(tǒng)持續(xù)逼近或保持在質(zhì)量標準極限范圍內(nèi)
系統(tǒng)地關注這項工作—而不應該只是隨機地查看一下系統(tǒng)
在整個企業(yè)級可觀測系統(tǒng)中，我認為至少應該包括如下幾個特征：
完備指標采集：可以對接企業(yè)內(nèi)大部分的設備與技術棧相應的監(jiān)控指標；同時，支持常見設備的監(jiān)控指標體系，可以快速接入監(jiān)控設備和指標，避免所有設備監(jiān)控都是從頭構建；對于日志數(shù)據(jù)的采集支持
海量設備支持：企業(yè)IT系統(tǒng)數(shù)量和規(guī)模越來越大，因此監(jiān)控系統(tǒng)比以前需要監(jiān)控海量設備監(jiān)控。
監(jiān)控數(shù)據(jù)存儲和分析：監(jiān)控數(shù)據(jù)是運維分析、運維自動化和智能化的基礎，因此海量監(jiān)控數(shù)據(jù)存儲以及基于監(jiān)控數(shù)據(jù)的可視化分析是一個監(jiān)控系統(tǒng)的基本能力。
可觀測系統(tǒng)是整個運維體系的基礎，它需要提供整個運維體系的數(shù)據(jù)化支持。
因此，一個企業(yè)級的可觀測性系統(tǒng)應該是平臺化的。一方面可以通過配置或者開發(fā)實現(xiàn)更多 運維指標的接入；另一方面，亦可對接更多的專業(yè)運維工具，整合并打通多元的運維數(shù)據(jù)，為更多運維場景提供數(shù)據(jù)服務。從整體上，可觀測性系統(tǒng)為企業(yè)運維提供了一個數(shù)據(jù)基礎，讓我們對事故響應以及容量預測等方面更多使用數(shù)據(jù)而非憑借以往經(jīng)驗和拍腦袋做出決策。
故障響應
如果有什么東西出了故障，該如何提醒大家并做出回應？工具可以幫助解決這個問題，因為它可以定義提醒人類的規(guī)則。
故障響應是建立在使用可觀測性系統(tǒng)構建的數(shù)據(jù)之上，并借助反饋循環(huán)，來幫助我們加強對服務的監(jiān)控。
故障響應通常包含如下幾個動作:
關注: 不論是主動發(fā)現(xiàn)瓶頸點或異常點，還是通過可觀測性系統(tǒng)被動暴露瓶頸點，我們都應該進行主動關注
交流: 及時將觀察到風險點通知到相關方，并告知影響面以及相關的補救措施
恢復: 三方達成一致后，根據(jù)補救措施進行修復相關風險點和異常點
需要注意的是，如果在前期整個可觀測性系統(tǒng)能夠做好，通常故障應當始于一個簡單的告警信息或一個報障電話，因此，通常情況下，可觀測系統(tǒng)做的足夠好僅能起到追溯和排查的作用，但是無法起到及時發(fā)現(xiàn)的作用，此時就需要依賴于各個觀測數(shù)據(jù)進行計算和評估告警，以及時將相關的告警通知到相關人，以暴露風險點。
告警只是整個故障響應的第一個環(huán)節(jié)，解決的是故障如何發(fā)現(xiàn)的問題，而大多數(shù)的故障響應工作都是關于定義處理策略和提供培訓的，以便人們在收到警報時知道該怎么做，通常這部分更多的是過去歷史經(jīng)驗和運維經(jīng)歷的總結和沉淀，包括經(jīng)驗的一些抽象和工具化沉淀，以保證故障響應的效率和普遍化(即不依賴人為經(jīng)驗)。
而對于整個告警系統(tǒng)來說，需要確保的是告警的有效性，否則，整個報警系統(tǒng)很有可能淪落為垃圾數(shù)據(jù)制造機，告警有效性意味著需要滿足如下兩個需求：
告警及時性: 系統(tǒng)有問題需要及時通過告警信息告知運維處理人員及時處理告警;
告警準確性: 只要有告警信息系統(tǒng)必然出現(xiàn)問題(對于很多企業(yè)可能存在大量的無用告警，比如磁盤問題，mem等相關問題，當然這里涉及到了自動化、業(yè)務形態(tài)、告警閾值的問題);
在整個運維過程中，我們經(jīng)常會發(fā)現(xiàn)有大量的無關緊要的告警信息，讓運維人員的注意力迷失在告警海洋當中，而通常非運維領域的領導會關注整個告警的響應程度，因此，抑制和消除無效的告警，讓運維人員不被告警風暴所吞沒，也是告警管理中重點建設的內(nèi)容。
通常情況，在我們的各個可觀測系統(tǒng)構建完成后，可以通過整合到監(jiān)控平臺中的各種監(jiān)控數(shù)據(jù)，應用趨勢預測、短周期檢測、間歇性恢復、基線判斷、重復壓縮等算法和手段實現(xiàn)告警壓縮收斂，強化告警的有效性。
同時，面向一線的運維人員，我們需要根據(jù)同一個系統(tǒng)或設備的多個監(jiān)控指標進行綜合性建模和分析，匯總成一個健康度的分值，給予一線運維人員系統(tǒng)的基于健康度的系統(tǒng)分層評價體系，真實、直觀反映系統(tǒng)運行狀態(tài)，實現(xiàn)問題快速定位。
比如，通過基礎資源的多個指標進行綜合加權計算來整體評估該資源的利用率；通過一個應用關聯(lián)的全部資源的資源利用率以及應用的運維架構整體建模分析來計算一個分值來整體評估該應用的健康程度。
這個過程如果做得成熟一些，可以根據(jù)內(nèi)部已有的解決方案和告警進行閉環(huán)打通，一個簡單的場景就是，當磁盤滿時，告警會首先觸發(fā)一次標準化的磁盤巡檢，并進行相關的可丟棄數(shù)據(jù)的刪除，如果依然無法解決該報警，下次可直接關聯(lián)到一線運維進行人工干預，之后進行標準化經(jīng)驗總結。
測試與部署
測試與部署對于整個穩(wěn)定性和可靠性的主要出于一個預防的作用，預防是指嘗試限制發(fā)生的事故數(shù)量，并確保在發(fā)布新代碼時基礎架構和服務能夠保持穩(wěn)定。
作為一個長期從事運維工作的人，可能內(nèi)心中最為恐懼的莫過于新應用版本發(fā)布。因為除了硬件和網(wǎng)絡設備損壞這個屬于天災級別的概率事件外，新應用版本發(fā)布的第二天通常是停機與事故的高危期。所以，對于一些量級較大的產(chǎn)品通常會在節(jié)假日以及重要活動前夕進行封網(wǎng)操作，以避免新版本上線而導致的業(yè)務bug出現(xiàn)。
而測試是在成本和風險之間找到適當?shù)钠胶饣顒印Ｈ绻^于冒險，你們可能就會疲于應付系統(tǒng)失敗；反過來說，如果你太保守，你就不能足夠快地發(fā)布新東西，讓企業(yè)在市場上生存下來。
在錯誤預算比較多（即在一段時間內(nèi)故障導致系統(tǒng)停機時長較少）的情況下，可以適當減少測試資源并放寬系統(tǒng)上線的測試和條件，讓業(yè)務可以有更多的功能上線，以保持業(yè)務的敏態(tài)；在錯誤預算比較少（即在一段時間內(nèi)故障導致系統(tǒng)停機時長較多）的情況下，則要增加測試資源并收緊系統(tǒng)上線的測試，讓系統(tǒng)的潛在風險得到更多有效的釋放，避免系統(tǒng)停機保持系統(tǒng)的穩(wěn)態(tài)。這種敏態(tài)與穩(wěn)態(tài)之間的平衡，需要整個運維與開發(fā)團隊來共同承擔。
除了測試外，應用發(fā)布也是一項運維團隊通常要承擔的責任。SRE其中的一個原則是將一切可以重復性勞動代碼化和工具化；此外，應用發(fā)布的復雜程度往往與系統(tǒng)的復雜程度成正比。因此在應用系統(tǒng)上規(guī)模企業(yè)，往往已經(jīng)著手基于自動化框架構建自動化的應用發(fā)布過程。
通過自動化發(fā)布工具，我們可以構建流水線實現(xiàn)部署的過程中所有的操作（如編譯打包、測試發(fā)布、生產(chǎn)準備、告警屏蔽、服務停止、數(shù)據(jù)庫執(zhí)行、應用部署、服務重啟等）全部自動化。
容量規(guī)劃
容量規(guī)劃是關于預測未來和發(fā)現(xiàn)系統(tǒng)極限的，容量規(guī)劃也是為了確保系統(tǒng)可以隨著時間的推移得到完善和增強。
規(guī)劃的主要目標是管理風險和期望，對于容量規(guī)劃，涉及到將容量擴展到整個業(yè)務；所關注的期望是人們在看到業(yè)務增長時期望服務如何響應。風險是在額外的基礎設施上花費時間和金錢來處理這個問題。
容量規(guī)劃首先是對未來預測性的分析與判斷，其預測的基礎正是海量的運維數(shù)據(jù)。因此，容量規(guī)劃除了有相應的架構和規(guī)劃團隊外，一個全面的運維數(shù)據(jù)中心是實現(xiàn)系統(tǒng)容量規(guī)劃的必須設施。
容量趨勢預警和分析將綜合地從各種運維監(jiān)控、流程管理等數(shù)據(jù)源中收集、整理、清洗并結構化地存儲各種運維數(shù)據(jù)，將這些來自于各種工具的運維數(shù)據(jù)打通融合并且構建各種數(shù)據(jù)主題。
應用這些數(shù)據(jù)主題的數(shù)據(jù)用于幫助運維人員對問題進行評估，包括：
當前的容量是多少
何時達到容量極限
應該如何更改容量
執(zhí)行容量規(guī)劃
運維平臺除了可以提供必要的數(shù)據(jù)支持外，還需要提供必要的數(shù)據(jù)可視化支持能力。運維數(shù)據(jù)可視化提供了一些必要的能力保障運維人員可以更好地利用其中的運維數(shù)據(jù)評估容量。
首先，運維平臺需要有極強的數(shù)據(jù)檢索能力。運維平臺存儲著海量的運維數(shù)據(jù)，運維人員為了嘗試建立和驗證一個探索性場景的時候，往往多次反復檢索和查詢特定數(shù)據(jù)。如果運維數(shù)據(jù)分析平臺的數(shù)據(jù)查詢很慢或者查詢角度很少的情況下，運維人員建立場景的時間就會拖得很長甚至進行不下去。因此，運維人員可通過平臺可以實現(xiàn)關鍵字、統(tǒng)計函數(shù)、單條件、多條件、模糊多維度查找功能，以及實現(xiàn)海量數(shù)據(jù)秒級查詢，才能更有效幫助運維人員更便捷分析數(shù)據(jù)。
其二，平臺需要強大的數(shù)據(jù)可視化能力。人們常說“千言萬語不及一圖”，運維人員經(jīng)常會通過各系統(tǒng)的運維數(shù)據(jù)進行統(tǒng)計分析并生成各類實時報表，對各類運維數(shù)據(jù)（如應用日志、交易日志、系統(tǒng)日志）進行多維度、多角度深入分析、預測及可視化展現(xiàn)，將他們分析的預測結果和經(jīng)驗向他人表達和推廣。
自動化工具開發(fā)
SRE不僅涉及運營，還涉及軟件開發(fā)，當然這部分指的是和運維以及SRE領域相關的工具和平臺開發(fā)。在Google的SRE體系中，SRE工程師將花費大約一半的時間來開發(fā)新的工具和服務，這些工具的一部分用于自動化一些手動任務，而其他部分用于來不斷填補和修復整個SRE體系內(nèi)部的其他系統(tǒng)。
通過編寫代碼把自己和其他人從重復的工作中解放出來，如果我們不需要人類來完成任務，那么就編寫代碼，這樣人類就不需要參與其中了。
SRE從內(nèi)心上鄙視重復性的工作，將從原有的人工加被動響應，轉(zhuǎn)變?yōu)楦咝А⒏鼮樽詣踊倪\維體系。
自動化運維框架：
自動化運維工具的優(yōu)勢和必要性:
提高效率: 由程序自動化操作，有效地降低運維人力資源的投入，也讓運維人員的精力得以釋放并投向更為重要的領域。
-
操作的標準化: 將原來許多復雜、易錯的手工操作實現(xiàn)統(tǒng)一運維操作入口，實現(xiàn)運維操作白屏化，提升運維操作的可管理性；
同時，減少由于運維人員情緒帶來手工誤操作，避免“從刪庫到跑路”這樣的悲劇的發(fā)生。
運維經(jīng)驗能力的傳承: 運維自動化工具將原來許多運維團隊積累的經(jīng)驗以代碼方式總結為各種運維工具，實現(xiàn)自動化和白屏化的運維操作。運維團隊的后來者，可以有效地繼承、重復使用并優(yōu)化它們。這種代碼化的工作傳承，將個人能力轉(zhuǎn)變?yōu)閳F隊能力，并減少人員流動帶來對工作的影響。
構建自動化運維體系就必須以運維場景為基礎，這些運維場景是在本企業(yè)內(nèi)反復迭代和打造，是企業(yè)中最常用的運維場景。
比如常見的運維場景：軟件安裝部署、應用發(fā)布交付、資產(chǎn)管理、告警自動處理、故障分析、資源申請、自動化巡檢等等。因此，整個自動化運維體系建設時也應支持多種不同類型的自動化作業(yè)配置能力，通過簡單的腳本開發(fā)、場景配置和可視化定制流程實現(xiàn)更多運維場景的實現(xiàn)。
用戶支持
用戶體驗這一層要說的是，作為SRE來講，從用戶的角度來保證業(yè)務的穩(wěn)定性和可用性才是最終目標。這個才傳統(tǒng)意義上的運維人員是不會關注這一點的，因為大家通常只會考慮到我底層運維的系統(tǒng)或底層資源是否穩(wěn)定，但實際上整個業(yè)務的穩(wěn)定才是SRE需要關心的問題，而業(yè)務的穩(wěn)定性和可用性通常需要站在用戶的角度來模擬和衡量整體的可用性和可靠性。
在前面提到的所有SRE相關的工作范疇，無論是監(jiān)控、事故響應、回顧、測試與發(fā)布、容量規(guī)劃以及構建自動化工具，無非都是為了提供更好的系統(tǒng)用戶業(yè)務體驗而服務的。因此，我們在運維的過程中無不需要注意關注系統(tǒng)的用戶體驗。
而在實際運維工作中，我們往往可以通過應用日志、監(jiān)控數(shù)據(jù)、業(yè)務探測等業(yè)務相關的用戶體驗信息。在運維數(shù)據(jù)平臺中，通過這些用戶體驗監(jiān)測數(shù)據(jù)之間的關聯(lián)和串聯(lián)，重現(xiàn)用戶的最終業(yè)務調(diào)用鏈路以及各應用環(huán)節(jié)對性能數(shù)據(jù)的關系。最終形成從業(yè)務用戶體驗數(shù)據(jù)入手，逐步實現(xiàn)系統(tǒng)運行狀態(tài)數(shù)據(jù)、設備運行狀態(tài)數(shù)據(jù)鏈路的打通，讓運維體系實現(xiàn)以最終用戶體驗為中心的目標。
這些用戶體驗的信息，對于運維團隊掌握客戶整體的用戶體驗情況、系統(tǒng)可用性的監(jiān)測以及系統(tǒng)針對性的優(yōu)化提供著無可替代的作用。
其實，SRE運維體系更為強調(diào)以用戶的體驗為核心，以自動化和運維數(shù)據(jù)為手段，實現(xiàn)應用業(yè)務連續(xù)性保障，從這個點出發(fā)，我們會發(fā)現(xiàn)和以往的傳統(tǒng)運維還是有很大的區(qū)別的，我們不再僅僅是單純的安裝和部署工程師，我們需要通過一系列的技術手段來不斷保障上層業(yè)務的穩(wěn)定性和可靠性。
Oncall
Oncall 簡單來說就是要保證線上服務的正常運行。典型的工作流程是：收到告警，檢查告警發(fā)出的原因，確認線上服務是否有問題，定位到問題，解決問題。
收到告警并不總意味著真正的問題，也有可能告警設置的不合理。告警和監(jiān)控面板并不是一個靜態(tài)的配置，它應該是每天都在變化的，時刻在調(diào)整的。如果發(fā)現(xiàn)沒有標志真正線上問題的告警發(fā)了出來，就應該修改告警規(guī)則。如果發(fā)現(xiàn)當前的監(jiān)控無法快速定位問題，應該調(diào)整監(jiān)控面板，添加或者刪除監(jiān)控指標。業(yè)務在發(fā)展，請求量在變化，某些閾值也需要不斷地調(diào)整。
定位問題沒有一概而論的方法了，需要根據(jù)看到的實時監(jiān)控數(shù)據(jù)，結合自己的經(jīng)驗，然后做推測，然后使用工具驗證自己的推測，然后確定問題的根因。
但是解決問題是可以有方法論的，叫做 SOP，標準操作流程。即：如果出現(xiàn)了這種現(xiàn)象，那么執(zhí)行那種操作，就可以恢復業(yè)務。SOP 文檔應該提前制定，并且驗證其有效性。
需要注意的是上述定位問題、解決問題并沒有順序關系。一個經(jīng)常犯的錯誤是，在出現(xiàn)故障的時候，花了很長時間定位到故障的根因，然后再修復。這樣花的時間一般會比較長。正確的做法是先根據(jù)現(xiàn)象看現(xiàn)有的 SOP 能否恢復業(yè)務。比如說當前錯誤只發(fā)生在某一個節(jié)點上，那么就直接下線這個節(jié)點，具體的原因后面再排查。恢復當前的故障永遠是第一要務。但是恢復操作也要經(jīng)過測試，比如猜測可以通過重啟解決問題的話，可以先重啟一臺做測試，而不是一次性將所有服務重啟。大部分情況是需要臨場分析的，是一個緊張又刺激的過程。
故障到底多久恢復算好？出現(xiàn)多少故障是可以容忍的？怎么檢測服務的穩(wěn)定性到底如何？我們使用 SLI/SLO 來衡量這些問題。
制定可交付的SLI/SLO/SLA
SLO 和 SLA 是大家常見的兩個名詞：服務等級目標和服務等級協(xié)議。
云計算時代，各大云服務提供商都發(fā)布有自己服務的 SLA 條款，比如 Amazon 的 EC2 和 S3 服務都有相應的 SLA 條款。這些大公司的 SLA 看上去如此的高大上，一般是怎么定義出來的呢？
說 SLA 不能不提 SLO，這個是眾所周知的，但是還有一個概念知道的人就不多了，那就是 SLI（Service Level Indicator），定義一個可執(zhí)行的 SLA，好的 SLO 和 SLI 是必不可少的。
另外必須要提到的是，SLI/SLO/SLA主要是為服務指定的，如果沒有服務作為依托關系，那這些概念也就失去了原有的意義。
下面是一個 SLA 在制定過程中需要考慮到的一些問題：
例如：設計一個可用率的時候，并不是說達到了”4個9“為標準就足夠了，因為我們需要考慮如下問題：
如何定義這個可用率？比如我們以可用率 > 99.9% 為目標，有一個服務部署了 5 個 區(qū)域, 那么有一個 區(qū)域 掛了，其余的 區(qū)域 是可用的，那么可用率被破壞了嗎？這個可用率是每一個 區(qū)域 的還是所有的 區(qū)域 一起計算的？
可用率計算的最小單位是什么？如果 1min 內(nèi)有 50s 沒有達到可用率，那么這一分鐘算是 down 還是 up？
可用率的周期是怎么計算的？按照一個月還是一個周？一個周是最近的 7 天還是計算一個自然周？
如何設計與規(guī)劃 SLI 和 SLO 監(jiān)控？
如果錯誤預算即將用完，有什么處理措施？比如減少發(fā)布以及配置變更？
Service
什么是服務？
簡單說就是一切提供給客戶的有用功能都可以稱為服務。
服務一般會由服務提供者提供，提供這個有用功能的組織被稱為服務提供者，通常是人加上軟件，軟件的運行需要計算資源，為了能對外提供有用的功能軟件可能會有對其他軟件系統(tǒng)的依賴。
客戶是使用服務提供者提供的服務的人或公司。
SLI
SLI 是經(jīng)過仔細定義的測量指標，它根據(jù)不同系統(tǒng)特點確定要測量什么，SLI 的確定是一個非常復雜的過程。
SLI 的確定需要回答以下幾個問題：
要測量的指標是什么？
測量時的系統(tǒng)狀態(tài)？
如何匯總處理測量的指標？
測量指標能否準確描述服務質(zhì)量？
測量指標的可靠度 (trustworthy)？
-
常見的測量指標有以下幾個方面：
-
性能
響應時間 (latency)
吞吐量 (throughput)
請求量 (qps)
實效性 (freshness)
-
可用性
運行時間 (uptime)
故障時間 / 頻率
可靠性
-
質(zhì)量
準確性 (accuracy)
正確性 (correctness)
完整性 (completeness)
覆蓋率 (coverage)
相關性 (relevance)
-
內(nèi)部指標
隊列長度 (queue length)
內(nèi)存占用 (RAM usage)
-
因素人
響應時間 (time to response)
修復時間 (time to fix)
修復率 (fraction fixed)
下面通過一個例子來說明一下：hotmail 的 downtime SLI
錯誤率 (error rate) 計算的是服務返回給用戶的 error 總數(shù)
如果錯誤率大于 X%，就算是服務 down 了，開始計算 downtime
如果錯誤率持續(xù)超過 Y 分鐘，這個 downtime 就會被計算在內(nèi)
間斷性的小于 Y 分鐘的 downtime 是不被計算在內(nèi)的。
-
測量時的系統(tǒng)狀態(tài)，在什么情況下測量會嚴重影響測量的結果
測量異常 (badly-formed) 請求，還是失敗 (fail) 請求還是超時請求 (timeout)
測量時的系統(tǒng)負載（是否最大負載）
測量的發(fā)起位置，服務器端還是客戶端
測量的時間窗口（僅工作日、還是一周 7 天、是否包括計劃內(nèi)的維護時間段）
-
如何匯總處理測量的指標？
計算的時間區(qū)間是什么：是一個滾動時間窗口，還是簡單的按照月份計算
使用平均值還是百分位值，比如：某服務 X 的 ticket 處理響應時間 SLI 的
測量指標：統(tǒng)計所有成功解決請求，從用戶創(chuàng)建 ticket 到問題被解決的時間
怎么測量：用 ticket 自帶的時間戳，統(tǒng)計所有用戶創(chuàng)建的 ticket
什么情況下的測量：只包括工作時間，不包含法定假日
用于 SLI 的數(shù)據(jù)指標：以一周為滑動窗口，95% 分位的解決時間
-
測量指標能否準確描述服務質(zhì)量？
性能：時效性、是否有偏差
準確性：精度、覆蓋率、數(shù)據(jù)穩(wěn)定性
完整性：數(shù)據(jù)丟失、無效數(shù)據(jù)、異常 (outlier) 數(shù)據(jù)
-
測量指標的可靠度
是否服務提供者和客戶都認可
是否可被獨立驗證，比如三方機構
客戶端還是服務器端測量，取樣間隔
錯誤請求是如何計算的
SLO
SLO (服務等級目標) 指定了服務所提供功能的一種期望狀態(tài)。SLO 里面應該包含什么呢？所有能夠描述服務應該提供什么樣功能的信息。
服務提供者用它來指定系統(tǒng)的預期狀態(tài)；開發(fā)人員編寫代碼來實現(xiàn)；客戶依賴于 SLO 進行商業(yè)判斷。SLO 里沒有提到，如果目標達不到會怎么樣。
SLO 是用 SLI 來描述的，一般描述為： 比如以下 SLO：
每分鐘平均 qps > 100k/s
99% 訪問延遲 < 500ms
99% 每分鐘帶寬 > 200MB/s
設置 SLO 時的幾個最佳實踐：
指定計算的時間窗口
使用一致的時間窗口 (XX 小時滾動窗口、季度滾動窗口)
要有一個免責條款，比如：95% 的時間要能夠達到 SLO
如果 Service 是第一次設置 SLO，可以遵循以下原則
-
測量系統(tǒng)當前狀態(tài)
設置預期 (expectations)，而不是保證 (guarantees)
初期的 SLO 不適合作為服務質(zhì)量的強化工具
-
改進 SLO
- 設置更低的響應時間、更改的吞吐量等
-
保持一定的安全緩沖
- 內(nèi)部用的 SLO 要高于對外宣稱的 SLO
-
不要超額完成
- 定期的 downtime 來使 SLO 不超額完成
設置 SLO 時的目標依賴于系統(tǒng)的不同狀態(tài) (conditions)，根據(jù)不同狀態(tài)設置不同的 SLO：**總 SLO = service1.SLO1 weight1 + service2.SLO2 weight2 + …
為什么要有 SLO，設置 SLO 的好處是什么呢？
對于客戶而言，是可預期的服務質(zhì)量，可以簡化客戶端的系統(tǒng)設計
-
對于服務提供者而言
可預期的服務質(zhì)量
更好的取舍成本 / 收益
更好的風險控制 (當資源受限的時候)
故障時更快的反應，采取正確措施
SLO 設好了，怎么保證能夠達到目標呢？
需要一個控制系統(tǒng)來：
監(jiān)控 / 測量 SLIs 對比檢測到的 SLIs 值是否達到目標 如果需要，修正目標或者修正系統(tǒng)以滿足目標需要 實施目標的修改或者系統(tǒng)的修改 該控制系統(tǒng)需要重復的執(zhí)行以上動作，以形成一個標準的反饋環(huán)路，不斷的衡量和改進 SLO / 服務本身。
我們討論了目標以及目標是怎么測量的，還討論了控制機制來達到設置的目標，但是如果因為某些原因，設置的目標達不到該怎么辦呢？
也許是因為大量的新增負載；也許是因為底層依賴不能達到標稱的 SLO 而影響上次服務的 SLO。這就需要 SLA 出場了。
SLA
SLA 是一個涉及 2 方的合約，雙方必須都要同意并遵守這個合約。當需要對外提供服務時，SLA 是非常重要的一個服務質(zhì)量信號，需要產(chǎn)品和法務部門的同時介入。
SLA 用一個簡單的公式來描述就是：SLA = SLO + 后果
-
SLO 不能滿足的一系列動作，可以是部分不能達到
- 比如：達到響應時間 SLO + 未達到可用性 SLO
-
對動作的具體實施
- 需要一個通用的貨幣來獎勵 / 懲罰，比如：績效得分等
SLA 是一個很好的工具，可以用來幫助合理配置資源。一個有明確 SLA 的服務最理想的運行狀態(tài)是：增加額外資源來改進系統(tǒng)所帶來的收益小于把該資源投給其他服務所帶來的收益。
一個簡單的例子就是某服務可用性從 99.9% 提高到 99.99% 所需要的資源和帶來的收益之比，是決定該服務是否應該提供 4 個 9 的重要依據(jù)。
故障復盤
故障復盤就是對于過去的一些服務異常和服務中斷情況進行回顧和總結，以確保相同問題下次不會再出現(xiàn)。為了讓大家團結協(xié)作，我們希望建立一種無指責、透明的事后文化。個人不應該害怕事故，而是確信如果事故發(fā)生，團隊將會響應和改進系統(tǒng)。
備注: 其實在國內(nèi)的SRE文化中，一般只有對大型，對業(yè)務有重大影響的事故才會進行復盤，但實際上如果在時間和經(jīng)歷允許的情況下，對于一般的普通事故也應該在小范圍進行復盤，正所謂大的故障都是從不斷的小問題一點一點積累的。另外，其實對于運維相關的個人而言，我們也應當及時的進行小故障復盤，以不斷加強個人的故障處理和修復能力。
我認為SRE的一個關鍵共識正是承認了系統(tǒng)的不完美性，追求永不停機的系統(tǒng)是不現(xiàn)實的。基于不完美系統(tǒng)，我們無可避免要面對和經(jīng)歷系統(tǒng)故障與失敗。
所以我們重要的并非找到為這個故障責任的這個人或者那個人，而是更應該刨根問底地復盤這個故障和失敗的根本原因是什么，以及如何避免再次出現(xiàn)相同的故障。系統(tǒng)可靠性是整個團隊共同奮斗的方向，從失敗中快速恢復并吸取教訓，每個人放心地提出問題，應對停機，并努力改進系統(tǒng)。
備注: 通常很多企業(yè)內(nèi)部在故障復盤過程中，相關人員可能將故障和失敗的根因追溯 不經(jīng)意間 當做了故障定責和一系列的懲罰措施，通過一些懲戒措施來強行約定故障的發(fā)生，這種方式往往是非常不可取的，試想每個人都不想出現(xiàn)事故，要么是認知之外，要么是規(guī)則缺陷，永遠沒有一個人明知會有故障而偏偏去制造故障的。
需要牢記的是: 故障是我們可以從中學習的東西，而不是讓人害怕和羞恥的事情！
在日常運維過程中，出現(xiàn)故障等事故對于我們而言其實是一個很好的復盤學習機會。通過歷史監(jiān)控數(shù)據(jù)，分析事故其中的根本原因，制定后續(xù)應對策略，并且通過運維平臺將這些應對策略編輯成標準化、可重用、自動化的運維應用場景，為后續(xù)相同問題的處理提供標準且快捷的解決方案。這正是事后回顧這個過程最真實的價值體現(xiàn)。
故障復盤的唯一目的是減少故障的發(fā)生。有幾個我目前認為不錯的做法。
故障復盤需要有文檔記錄，包括故障發(fā)生的過程，時間線的記錄，操作的記錄，故障恢復的方法，故障根因的分析，為什么故障會發(fā)生的分析。文檔應該隱去所有當事人的姓名對公司的所有人公開。很多公司對故障文檔設置查看權限，我覺得沒什么道理。有些公司的故障復盤甚至對外也是公開的。
故障在復盤的時候應該將當事人的名字用代碼替代，可以營造更好的討論氛圍。
不應該要求所有的故障復盤都產(chǎn)生 Action。之前一家的公司的故障復盤上，因為必須給領導一個“交待”，所以每次都會產(chǎn)生一些措施來預防相同的故障再次發(fā)生，比如增加審批流程之類的。這很扯，讓級別很高的領導審批他自己也看不懂的操作，只能讓領導更痛苦，也讓操作流程變得又臭又長，最后所有人都會忘記這里為什么會有一個審批，但是又沒有人敢刪掉。你刪掉，出了事情你負責。
Blame Free 文化？之前我認為是好的。但是后來發(fā)現(xiàn)，有些不按照流程操作導致的問題確實多少應該 Blame 一下，比如下線服務的時候沒有檢查還沒有 tcp 連接就直接下線了，或者操作的時候沒有做 canary 就全部操作了，這種不理智的行為導致的故障。但是條條框框又不應該太多，不然活都沒法干了。
引用來源：：
https://silenceper.com/blog/202009/how-to-use-keda/
https://bgbiao.top/post/sre運維體系
在基于DevOps思想對自動化運維改革的大道上，一直砥礪前行，從未停歇。
道阻且長，行則將至，行而不輟，未來可期。
歡迎搜索 k8stech 關注公眾號，定時更新運維開發(fā)、SRE、云原生等文章。
