SRE基础知识快速普及
SRE是什么？ SRE(Site Reliability Engineering),站点可靠性工程,起源于2003年。在系统管理员模式下，通常是通过人工操作完成任务，而SRE倾向通过设计、构建自动化工具来取代人工操作。SRE的本质是用软件工程的思维和方法解决复杂的运维问题。 DevOps是在2008年年末流行起来，强调自动化替代人工操作，以及利用软件工程手段执行运维任务。DevOps的核心是"全栈交付"， SRE的出发点是“保障和提升系统稳定性”，两者要做的事情其实本质上差别不大，但是角度不同。可以认为DevOps是SRE核心理念的普适版本，SRE是DevOps模型在Google的具体实践。 Google SRE方法论[*]确保长期关注研发工作
Google将SRE团队的运维工作限制在50%以内，剩余时间花在研发项目上。实践中，SRE管理人员要经常度量团队成员的时间分配，有必要的话，可采取措施将过多的运维压力转移给研发团队。
[*]在保障服务SLO的前提下最大化迭代速度
对于迭代创新速度与产品稳定程度之间的矛盾，可以使用“错误预算”工具处理。”错误预算”起源于这样的理念：任何产品不能，也不应该做到100%可靠。对用户来说，99.999%和100%的可用性是没有实质区别。其中，错误预算 = 1 - 可靠性目标。可以将错误预算用于新功能上线或者产品创新，如：最大化新功能的上线速度，同时保证服务质量。
[*]监控系统
监控系统不应该依赖人来分析警报信息，而是由系统自动分析，仅当需要用户执行某种操作时，才需要通知用户。
[*]应急事件处理
可靠性是MTTF（平均失败时间）和MTTR（平均恢复时间）的函数，通过事先预案并将最佳方法记录在“运维手册”上通常可以使MTTR降低3倍以上。
[*]资源部署
新资源的部署与配置是相对比较危险的操作，必须要小心谨慎地执行。
[*]效率与性能
任何盈利性服务都关心高效利用各种资源，SRE最终负责容量的部署和配置，因此SRE必须承担起任何有关利用率的讨论和改进。 SLA、SLO、SLI
[*]SLI, Service level Indicate, 服务质量指标
该服务的某项服务质量的一个具体化指标，请求延迟为大部分服务的一个关键SLI，除此之外有错误率，吞吐率，可用性等。这些指标的计算过程：在某一个度量时间范围内将原始数据收集起来，计算速率，平均值、百分比等汇总数据。通常用9的数量来描述可用程度，99%可用性被称为9个9，99.999%被称为5个9.
[*]SLO, Service Level Object, 服务质量目标
服务的某个SLI的目标值，SLO的定义是 SLI<=目标值。 SLA计算器
SLO百分位一天一周一月一年
99%14m12s1h40m48s7h18m17s3d15h39m29s
99.9%1m2610m5s43m50s8h45m57s
99.99%9s1m4m2352m36s
99.999%<1s6s26s5m16s
99.9999%<1s<1s3s32s
[*]SLA，Service Level Agreement, 服务质量协议
服务与用户之间的一个明确的，或者不明确的协议，描述了没有达到SLO之后的后果。SLO和SLA的区别是，“如果SLO没有达到时，有什么后果?”如果没有明确定义的后果，那么我们在讨论的是SLO,而不是SLA。 SRE的目的 SRE的最终目的是提高稳定性，从业界稳定性通用的衡量标准看，有两个非常关键的指标：
[*]MTBF，Mean Time Between Failure，平均故障时间间隔。
[*]MTTR，Mean Time To Repair， 故障平均修复时间。
想提升稳定性，就会有两个方向：
[*]提升 MTBF，也就是减少故障发生次数，提升故障发生间隔时长；
[*]降低 MTTR，故障不可避免，那就提升故障处理效率，减少故障影响时长。
页:
[1]