4-4 SRE 的核心理念与可观测性 - 刘峰

SRE核心概念与可观测性

Google SRE：什么是SRE？

• 定义：SRE（站点可靠性工程）是一个学科、最佳实践和一类创新岗位，专注于使用计算机和软件工程手段设计和研发大型、分布式计算机软件系统，其焦点是可靠性，包括架构设计和运维流程优化，目标是“足够可靠”。
• 起源：由Google负责7*24小时运维的副总裁Benjamin Sloss Treynor命名，灵感来源于Apollo 7飞船研发事故，强调对细节的不懈关注、充足的灾难预案和准备工作、时刻警惕以及避免灾难发生的理念。
• 工作内容：运维分布式集群系统上的具体业务服务，涉及软件系统生命周期管理。

Google SRE原则

• 核心原则：服务水平目标、运营、软件问题减少、琐事自动化、共享所有权、降低失败成本。
• 关键成功因素（KSF）：服务水平目标、运营、软件问题减少、琐事自动化、共享所有权、降低失败成本。

Google SRE实践总结

• SRE方法论：
  1. 确保长期关注研发工作
  2. 在保障SLO的前提下最大化迭代速度
  3. 监控系统
  4. 应急事件处理
  5. 变更管理
  6. 需求预测和容量规划
  7. 资源部署
  8. 效率与性能

可观测性

• 定义：可观测性是系统的属性，通过了解系统外部输出推断系统内部状态的尺度。如果IT系统没有充分将其状态外部化，即使最好的监控也不足。
• 重要性：由于服务快速增长、动态体系结构、容器化工作负载、服务之间的依赖关系以及客户体验的重要性，可观测性变得至关重要。
• 与监控的区别：分布式、复杂的服务以不可预测的用户和可变吞吐量大规模运行，意味着有数百万种不同的方法出错，但无法预测。可观测性是将服务的所有输出外部化，使我们能够推断该服务的内部状态。
• 举例说明：SLO（服务水平目标）从用户角度确定什么是重要的，例如90%的用户应在一分钟内完成完整的付款交易；SLI（服务水平指标）详细介绍当前表现，例如98%的用户在一个月内在不到一分钟内完成付款交易；可观测性使使用服务的正常状态可见，例如38秒是用户完成付款的“正常”时间，这时所有监控都健康。

SRE与可观测性

• “奇点”概念：SRE与可观测性推动了开发和运维之间的“奇点”，即应用与系统环境、软件工程与系统工程之间的融合，最终目标是可靠地交付业务价值，为客户带来快乐。