汀的知识碎片

1. 站点可靠性工程师简介

36 min read

第1章 站点可靠性工程师简介

引言

随着数字世界的发展以及对不间断、无缝服务交付需求的增长，专业化角色以确保这种一致性的重要性变得至关重要。站点可靠性工程师（SRE）就是这样一个角色。该角色最早由Google引入，旨在弥合开发团队与运维团队之间的鸿沟；SRE的角色彻底改变了组织管理其数字基础设施和服务可靠性的方式。

SRE角色体现了基础设施即代码（IaC）的原则，试图将软件工程方法应用于运维问题。该角色至关重要，专注于开发高度可扩展且稳健的软件系统，并确保它们在不同用户需求下具有弹性。

当我们深入本章时，我们旨在阐明SRE角色的细微差别，包括理解其目标、职责和日常活动。该角色对于促进主动和被动的问题解决以优化系统性能和正常运行时间至关重要。SRE不仅管理事件响应和系统故障排除，还致力于主动预防此类事件。这是通过不断分析系统趋势和识别潜在故障领域来实现的。因此，SRE是系统稳定性的关键守护者，专注于减少组织混乱，并推广稳定、可靠和高效的文化。此外，SRE促进组织内不同团队之间的协作，消除传统上开发团队与运维团队之间的孤岛。通过鼓励对服务可靠性和质量的共同责任，他们帮助推动组织中的DevOps文化，确保更快、更稳定地向用户交付功能。

此外，我们将讨论成功从事SRE职业所需的必要技能和知识。他们需要扎实的计算机科学原理和编程基础，同时深入理解系统设计和架构。此外，他们必须拥有软技能，包括问题解决、沟通和协作，以便与各团队有效联络并推动改进。

理解SRE的角色在当今的技术格局中至关重要。在一个公司依赖数字平台运营、宕机可能导致重大财务和声誉损失的时代，SRE的角色至关重要。因此，请放松并深入本章，以揭示复杂性并理解SRE在创建可靠和有弹性的数字基础设施方面的影响。

结构

在本章中，我们将涵盖以下主题：

  • SRE角色的历史背景和起源
  • 不同公司中DevOps团队的类型
  • SRE的角色和职责
  • SRE在现代技术生态系统中的重要性
  • SRE所需的技能和知识
  • SRE与DevOps的文化
  • SRE在数字时代的重要性
  • 职业路径和专业发展

目标

本章的一个主要目标是让读者熟悉SRE职能，这是当前技术生态中不可或缺的一部分。我们旨在全面了解SRE职位，从它的创建方式到它对组织底线的影响，并通过提供直白的术语和实际示例来减少SRE的神秘感。其主要职责包括系统架构、实施、问题解决、事件管理和团队协调，这些将为读者详细涵盖。通过分解这些职责，我们希望给读者提供一个SRE典型工作日的全面图景。此外，本书的这一部分解释了SRE为何对DevOps文化的成功至关重要，因为它弥合了开发与运维团队之间的鸿沟。我们将尽力说明这种协同如何缩短创建稳定可靠软件的时间。

本章还希望澄清有志于成为SRE的人员应具备的资格和经验。我们旨在为所有有兴趣了解更多信息的人提供指导，无论他们是有志于成为SRE的人、与SRE打交道的专业人士，还是希望了解SRE为其公司带来价值的商业领袖。我们希望在本章结束时，读者能够认同，在当今数字变革和在线服务的时代，SRE在确保服务可靠性和系统弹性方面的作用比以往任何时候都更加重要。

SRE角色的历史背景和起源

SRE的角色最初于21世纪初在Google构思，当时公司在维护其大规模站点方面面临挑战。为了管理这些复杂性，他们创建了一种新型角色，融合了软件工程师和系统工程师的技能。这一新角色的主要任务是确保Google的服务具有高可用性、高效性和可扩展性。多年来，许多其他公司采纳了Google SRE开发的原则和实践，将其确立为科技行业中的一门关键学科。

不同公司中DevOps团队的类型

在DevOps方面，大多数组织的运作方式不同。许多人将使用持续集成和持续交付（CI/CD）工具的人称为DevOps专业人员。然而，开发人员也擅长使用这些工具和部署应用。重要的是要记住，DevOps是关于最佳实践、心态和技术的融合，而不仅仅是CI/CD工具。不同组织中DevOps工程师执行的职责会有所不同。目前对DevOps和SRE工程师的需求很高，职位门户网站正在从不同公司联系或挖角候选人以填补这些职位。然而，深入挖掘一下，看看工作职责。你会发现一些公司将迁移工程师、网络工程师、支持工程师、CI/CD工程师和系统工程师的工作都冠以DevOps/SRE工程师的头衔。很明显，如果工作需要7x24小时支持，DevOps就不是你的职业。在后续章节中，我们将讨论SRE工程师提供的支持。

应用DevOps工程师和平台DevOps工程师是DevOps工程师的两种不同类型。由于小企业中员工较少，将很难确定工程师的职位类型。在大型组织中，可以找到各种情况，例如一个DevOps团队同时支持多个团队并拥有多种技术的知识。所有团队成员使用他们设计的一条管道进行部署。DevOps工程师的责任是保护该管道并防止任何漏洞进入生产环境。

第二种类型的团队将包括一名DevOps人员，他将伴随一个应用团队；例如，考虑一个数据库团队，然后一个数据库SRE将是一个负责所有SRE相关任务的团队组成部分。这些SRE从产品构思到制造的每个步骤都深度参与。他们对技术、产品或应用非常了解。如果生产环境出现任何问题，SRE是第一个被呼叫的人，甚至早于开发人员。他们使用所有可用的监控工具调查问题，然后才联系必要的团队成员。通过识别根本原因并实施最佳实践，他们还确保这种情况不再发生。

SRE的角色和职责

SRE的基本任务和职责如下：

系统设计与实施：SRE负责设计和实施高度可扩展且稳健的系统。他们与软件开发团队紧密合作，就设计易于管理和扩展的系统提供见解。他们的软件工程知识和对系统的理解使他们能够创建可以处理高流量水平并从任何故障中快速恢复的设计。

事件管理：SRE的另一个关键角色是事件管理。当服务或系统发生故障或意外行为时，SRE是第一个响应的人。他们负责快速识别问题、减轻影响并解决事件。事件发生后，他们会进行彻底的事后分析，以了解根本原因并防止类似事件再次发生。

问题解决与系统优化：SRE是问题解决者。他们持续监控系统性能，识别潜在的瓶颈或改进领域。通过分析系统趋势和使用各种工具，他们主动解决问题，防止其演变为系统范围的问题。他们还寻求优化系统性能和效率，确保资源得到最佳利用。

变更管理：SRE在确保提议的系统和应用修改得到适当审查和部署方面发挥着关键作用。他们进行全面的风险评估，以预见并防止对系统可靠性可能产生的负面影响，同时确保变更遵循既定规范。他们通过执行发布前测试并考虑安全问题，确认每个修改的必要性和安全性。在这些改进实施后，SRE将持续监控系统，以检测并应对任何意外问题，确保系统性能和用户体验保持理想。他们还会对与变更相关的任何事故提供关键的事后分析，确保从中吸取经验教训并应用于未来的变更计划。

容量规划：为了有效预测未来基础设施需求，SRE严格分析系统数据、使用趋势和业务预估。他们结合真实数据和复杂的建模方法来预测基础设施需求，确保系统为预期负载做好准备，同时不牺牲性能。除了预测，SRE还调查资源利用率，优化配置，根据需要重新架构组件以提高可扩展性，并建议停用未充分利用的资源，以实现运营效率和成本节省。面对不断变化的需求，其整体方法确保系统保持耐用、可扩展且具有成本效益。

弥合开发与运维之间的鸿沟

在传统模型中，开发团队和运维团队往往在孤岛中工作，导致低效和冲突。SRE角色弥合了这一鸿沟，促进了两团队之间的协作和共同责任。他们通过鼓励诸如IaC之类的实践，并确保开发人员设计的系统易于管理和可靠，来促进这一点。

维护系统和服务的可靠性

最终，SRE的目标是维护系统和服务的可靠性。这是通过设定并执行服务等级目标（SLO）来实现的，SLO定义了应维持的服务水平。他们平衡新功能的需求与稳定性，确保系统保持正常运行，用户获得顺畅且不间断的体验。他们努力减少系统停机时间，并致力于预防事件发生，使系统更加可靠和有弹性。

SRE在现代技术生态系统中的重要性

在当前技术生态的背景下，SRE的角色对于确保数字平台的可靠性和生产力具有至高无上的重要性。公司运营的中断可能导致重大的金钱损失并损害其声誉。这就是SRE发挥作用的地方，他们利用自己对软件和系统的广泛知识，确保系统保持高可用性。

1. 站点可靠性工程师简介

高水平的性能和可用性。他们负责构建能够管理巨大流量、在问题造成困难之前识别潜在问题，并在问题出现时迅速解决的稳固系统。他们在确保用户获得良好体验、维护所支撑的数字企业的声誉和可信度方面扮演着至关重要的角色。

SRE 的技能与知识

SRE 的技能和理解既包括技术技能，也包括软技能。沟通需要非常谨慎地处理。让我们分解两者的区别，以及如何最佳地利用策略来应对任何情况。

必需的技术技能

必需的技术技能如下：

  • 软件开发和系统设计：SRE 需要强大的软件开发技能，通常掌握多种编程语言。这种能力使他们能够自动化例行任务、构建可靠的系统，并在问题出现时快速诊断和修复。除了编码，他们还需要对系统设计和架构有深入理解。他们必须设计可扩展、有弹性的系统，能够快速处理高流量负载并从故障中恢复。
  • 故障排除与调试：由于 SRE 是事件响应的第一道防线，他们必须擅长故障排除和调试。应能在复杂系统中识别并理解问题，定位问题的根本原因。这通常涉及使用诊断工具、阅读系统日志和解释系统指标。
  • 对网络和系统架构的理解：对网络和系统架构的全面理解对 SRE 至关重要。他们需要了解系统不同部分如何交互、数据如何在网络中流动，以及如何保护系统免受潜在威胁。这些知识帮助他们设计、实施和维护可靠且安全的系统。

软技能要求

所需的软技能如下：

  • 问题解决：SRE 经常处理复杂、前所未有的问题，因此扎实的问题解决能力至关重要。他们必须具备快速思考和在高压场景下适应的能力，制定实用解决方案以缓解和解决事件。
  • 沟通：有效的沟通对 SRE 至关重要。他们经常充当不同团队之间的桥梁，需要清晰、简洁地向具有不同技术知识水平的利益相关者传达技术信息。此外，在事件期间，他们需要提供及时更新并协调跨团队的行动。
  • 团队协作：SRE 通常在跨职能团队中工作，必须有效地协作。他们需要理解并尊重他人观点，朝着共同目标努力，并对团队动态做出积极贡献。他们在培养系统可靠性共同责任文化方面的作用使团队协作尤为重要。

SRE 与 DevOps 的文化

SRE 和 DevOps 文化都基于确保可靠性和允许快速迭代。这些理论的核心是弥合开发团队和运维团队之间的鸿沟，帮助他们良好协作。主要理念之一是尽可能自动化流程，并持续测量和跟踪，以确保系统健康。此外，这两种文化中的人不将失败视为单纯的挫折，而是将其视为重要的学习机会，帮助他们不断改进。

理解 DevOps

DevOps 是一种独特的工作方式，将软件开发（Dev）和 IT 管理（Ops）结合在一起。DevOps 的主要目标是缩短系统开发生命周期，以便持续交付高质量的软件。它是一种鼓励以前各自为政的开发团队和运维团队进行协作、自动化和整合的思维方式。通过让这两个团队协同工作，DevOps 使软件发布更快、更可靠、更高效。

SRE 在促进 DevOps 文化中的作用

在这种 DevOps 思维模式下，SRE 扮演着开发人员和运维人员之间桥梁的关键角色。SRE 承担多种不同的职责，充当开发和运维团队之间的桥梁。他们支持两个团队的价值。一方面，他们与编码人员合作，提供关于如何构建可靠、可扩展且易于维护的系统的建议。另一方面，他们与运维团队合作，简化系统管理任务，并使事件响应更加容易。

但 SRE 的工作不仅仅是与人合作，还关乎改变文化。通过承担部分系统可靠性的责任，SRE 帮助开发和管理团队将系统可靠性视为集体努力。这打破了团队之间通常存在的壁垒，营造了更加开放、沟通顺畅、更具凝聚力的工作场所。

对软件制作与交付过程的影响

SRE 实践影响着软件制作与交付的过程，改变了团队规划、构建和维护软件系统的方式。通过在创建阶段考虑运维因素，SRE 有助于从一开始就构建可靠且有弹性的系统。对自动化和测量的关注不仅提高了流程效率，还使系统成功和软件交付过程更加可预测。

借助 SLO（服务水平目标）和错误预算（error budgets）等工具，SRE 可以更容易地在快速添加新功能和保持系统稳定性之间找到平衡。这有助于确保开发活动与以用户为中心的可靠性目标保持一致，从而使系统开发更具可持续性。通过制定具体的可靠性度量指标，SRE 帮助开发、运维和业务朝着共同的目标努力：构建可靠且为用户提供价值的服务。

从某种意义上说，SRE 角色强化了 DevOps 思维。它将关注点从添加功能转移到确保系统可靠性和用户良好体验上。通过将可靠性作为组织范围内的目标，SRE 推动 DevOps 文化朝着一种可持续、以客户为中心的软件交付新方式发展。

SRE 在数字时代的重要性

在数字时代，SRE 至关重要，因为用户期望不间断的高性能体验。SRE 确保应用 24/7 可用，维护用户信任和品牌忠诚度。停机可能削弱信心并影响收入，因此 SRE 对可扩展性和可靠性的关注对于现代企业至关重要。

服务停机对业务的影响

在运营和服务主要在线进行的日益数字化的时代，系统正常运行时间已成为关键的业务统计指标。即使是短暂的停机也可能导致重大收入损失、更差的客户体验以及潜在的品牌损害。亚马逊在 2018 年 Prime Day 期间因一次持续一小时的停机可能损失了高达 9900 万美元的销售额。然而，影响不仅仅在于金钱。长时间或频繁的停机可能会损害客户的信任，对客户忠诚度和品牌声誉产生长期影响。

SRE 在减少和防止停机中的作用

SRE 专注于构建和维护可信赖的系统。他们通过开发高可用性和灾难恢复系统来帮助防止停机。这通过多种策略和工具实现，包括自动故障转移、冗余和容量规划。为了自动化例行工作并减少人为错误的可能性（这是停机的常见来源），他们还将软件工程思想应用于运维工作。

然而，没有系统是 100% 无故障的。当事件确实发生时，SRE 在最小化其影响方面起着关键作用。通过快速检测、高效故障排除和有效的事件管理，他们可以缩短停机持续时间。SRE 还在事件后进行彻底的复盘分析（post-mortem），以了解根本原因并防止再次发生。这种对系统和流程的持续改进有助于随着时间的推移提高服务的可靠性和弹性。

SRE 的未来前景与发展

SRE 的重要性在未来只会增长。随着越来越多的企业进行数字化转型并依赖云服务，对能够确保这些服务可靠性的专业人员的需求将增加。我们可以预期 SRE 角色的范围将随着新技术和实践的发展而演变和扩展。例如，机器学习和人工智能的采用可能导致更复杂的系统监控和事件预测能力，使 SRE 能够更早地检测和解决潜在问题。

此外，随着组织认识到可靠性的业务价值，我们可能会看到 SRE 原则更多地被整合到组织文化 and 实践中。例如，更多组织可能采用定义 SLO 和错误预算的做法，使可靠性成为具体、可衡量的目标。SRE 在快速创新与系统稳定性之间取得平衡的实践，也可能更广泛地影响组织进行软件开发和交付的方式。

总之，SRE 的角色在当今数字时代至关重要，而且这种重要性在未来只会增长。通过预防和缓解服务停机，SRE 帮助企业避免代价高昂的中断，并保持高质量的客户体验。同时，他们的方法和原则为组织提供了一条前进之路，以平衡快速创新的需求与系统可靠性和以用户为中心的设计，从而创造一个更可持续、更有弹性的数字未来。

职业路径与专业发展

SRE 职业通常始于软件工程或系统管理的基础。随着他们过渡到初级 SRE 或 DevOps 角色，他们会深入事件管理，熟悉监控工具，并开始承担值班职责。在这个阶段，高级 SRE 的指导至关重要，帮助他们理解系统架构。随着他们进步，其角色会扩展，需要平衡技术技能和系统知识，以确保最佳的系统性能和可靠性。

成为 SRE 的起点与先决条件

有志成为 SRE 的人通常持有计算机科学、信息技术或同等学历，并具备强大的编程技能。网络、数据库和系统架构的知识是基础，熟悉 Linux/Unix 环境同样重要。系统管理或软件开发的实践经验会带来显著优势。不过，许多初露头角的 SRE 也从实习或入门级职位开始，在这些职位上获得实际的动手经验。

除了这些技术先决条件外，有抱负的 SRE 还应具备解决问题的思维方式、强大的沟通能力以及在团队中协作的能力。对理解系统如何运作、分解复杂问题的热情，以及持续学习的心态，也是成功 SRE 的关键特质。

持续学习与技能提升

站点可靠性工程领域是动态且不断演变的，这要求 SRE 成为终身学习者。他们必须了解与系统可靠性、自动化和 DevOps 相关的最新技术、工具和实践。这可能涉及学习新的编程语言、掌握云平台，或掌握容器化、编排和微服务等新兴概念。

技能提升可以通过多种途径实现，例如在线课程、认证项目、工作坊、会议，或积极参与技术社区。

站点可靠性工程师简介 (第3部分)

SRE 的技能提升途径

一些SRE也可能选择进修或专攻云计算、网络安全或数据科学领域的课程，以深化知识或拓宽职业前景。

SRE 的职业发展路径

SRE的职业发展可以有多种路径。一些SRE可能选择进一步专业化，成为网络可靠性、数据库可靠性或生产工程等领域的专家。另一些则可能转向领导岗位，领导SRE团队或在组织层面管理站点可靠性运营。

此外，SRE还可以过渡到相关岗位。他们兼具开发与运维技能的独特组合，使其非常适合DevOps、云架构或系统工程师等角色。拥有深厚软件开发背景的SRE可以转型为软件架构师。

再者，SRE的广泛技能和战略视野也为他们打开了更具业务导向的岗位之门。例如，他们可以转向产品管理，影响产品的可靠性特性；或转向技术项目管理，监督大规模项目的执行。

SRE 角色的演变

随着技术格局的持续演变，SRE的角色也将随之变化。人工智能和机器学习等新兴技术为站点可靠性工程带来了新的机遇与挑战。与此同时，远程工作和分布式团队的日益普及也将影响SRE的工作与协作方式。

在这个不断变化的环境中，有一点是确定的：SRE对学习和适应的承诺将继续至关重要。无论是掌握新技术、适应新的工作方式，还是应对角色和职业路径的变化，SRE都将继续在确保我们数字世界的可靠性和弹性方面发挥不可估量的作用。

结论

在本章结束对SRE角色的探讨时，我们愈发清楚地看到，在当今数字化商业环境中，SRE不可或缺。他们是系统可靠性的火炬手，而系统可靠性是良好用户体验、持续服务交付以及最终在数字时代取得商业成功的基石。

从理解SRE角色的起源和关键原则、如何融入DevOps文化、在预防和缓解系统宕机方面的深远影响，到追踪SRE的职业路径以及观察其在知名科技公司中的实施，我们对这一角色的重要性和复杂性形成了全面的理解。

SRE不仅仅是开发和运维团队之间的桥梁；他们是平衡创新与可靠性的支点，确保组织在持续推出新功能、驱动业务增长的同时，始终将可靠性和用户满意度放在首位。凭借其独特的技术专长、战略思维和问题解决能力的结合，SRE完全有能力驾驭我们数字未来的挑战和机遇。

进入下一章后，我们将更深入地探讨SRE的实践方面。在本章所学知识的基础上，我们将探索SRE如何运用其技能和原则来构建和维护可靠的系统。我们将首先研究设计可靠系统的关键策略，如冗余、自动化和灾难恢复规划。然后我们将探讨管理系统事件的技术，包括事件响应、事后分析和根本原因分析。此外，我们还将探讨SRE常用的工具和技术，从监控和告警工具到基础设施即代码和自动化工具。

选择题

  1. SRE的主要关注点是什么？ a. 开发新的软件功能 b. 确保服务的最大正常运行时间和可靠性 c. 管理公司财务 d. 设计营销策略

  2. 哪个原则是SRE实践的核心部分？ a. 错误预算 b. 敏捷开发 c. 客户关系管理 d. 外包IT服务

  3. SRE中的错误预算表示什么？ a. 系统错误的财务成本 b. 系统宕机或错误的可允许阈值 c. IT部门的预算 d. 用于错误调查的资源分配

  4. 以下哪项最准确地描述了SRE团队的角色？ a. 只专注于创建新软件功能 b. 只处理客户支持查询 c. 在发布速度与系统可靠性之间取得平衡 d. 仅负责硬件维护

  5. 在SRE中，监控和日志记录的重要性是什么？ a. 跟踪员工生产力 b. 仅用于法律合规目的 c. 及时识别和响应系统问题 d. 仅用于向管理层报告

答案

  1. b
  2. a
  3. b
  4. c
  5. c