前言：

• 谁是世界上第一个SRE？
• 第一个SRE是在哪一年认定的？（说不定让你大吃一惊）
• 第一个SRE据说，是位女性？
  
  

一、首先我们来了解一下SRE

有一种说法，“一个系统如果已经开发完成，部署在生产环境上，则它就是稳定的，就不需要那么多工程师对其花费精力去优化、维护。”

从当下来看，这个说法显然不对。

那么，Google 是怎么认为的？

我们认为如果软件工程主要专注于设计和构建软件系统，那么应该有另一种职业专注于整个系统的生命周期管理。

从其设计一直到部署，历经不断改进，最好到退役。这样一种职业必须具有非常广泛的技能，但是和其他职业的专注点都不同。Google将这个职位称为站点可靠性工程师（SRE，Site Reliability Engineering）

细致的讲一下SRE

• 首先，也是最重要的一点，SRE 是工程师。SRE使用计算机科学和软件工程手段来设计和研发大型、分布式计算机软件系统。
  有时候，SRE和产品研发团队共同工作，其他时候我们需要开发这些系统的额外组件。如备份系统和负载均衡系统等。理想情况下，同时推进这些组件在多个项目中的复用。
  还有的时候，我们的任务是想出各种各样的办法用现在的组件解决新的问题。
• 其次，SRE的关注焦点在于可靠性。Ben Treynor Sloss，Google负载724运维的副总裁，SRE名称的发明者，宣称可靠性应该是任何产品设计中最基本的概念：*任何一个系统如果没有人能够稳定地使用，就没有存在意义。
  因此，SRE专注于对其负责的软件系统架构设计、运维流程的不断优化，让这些大型软件系统运行得更可靠，扩展性更好，能更有效的利用资源。
  但SRE比不是无止境地追求完美，当一个系统已经“足够可靠”时，SRE通常将精力投入到研发新的功能和创造新的产品中。
• 最后，SRE的主要工作是运维在分布式集群管理系统上运行具体业务服务（service）。不论是遍布全球的存储服务，还是亿万用户赖以工作的E-mail服务，还是Google最初的Web搜索服务。
  SRE中“S”最开始指代 的运维服务，因为SRE的第一个工作就是维持网站的正常运转。随着时间推移，SRE接管了Google内部绝大部分产品系统，包括Google Cloud Platform 这类开发者平台，也包括内部的一些非网站类的基础设施系统，如Bigtable
• 
  

二、据说，她是史上第一个SRE ？

NASA史上著名的女程序员，Margaret Hamilton。

在《Google SRE》这本书中，Google 选择了Margaret，MIT教授为史上第一个SRE，她参与了阿波罗计划的软件开发工作。

Google 同学说，她具有现代SRE的一切特性。而Margaret又长期供职于NASA.

看样子第一个SRE的产生，和NASA的阿波罗（Apollo）计划有关？

三、事情是这样的……

在Apollo 7 飞船研发期间的某一天（根据历史考证，为1968年某一天），Margaret带着她的小女儿Lauren一起来到公司。

在Margaret忙着和组员们在大型计算机上运行飞行模拟测试的时候，Lauren偷偷地按下了控制台的 DSKY 键。

整个模拟程序出乎意料地崩溃，导致整个火箭发射程序意外终止。

Margaret和组员调试后发现，原来Lauren意外触发了P01这段子程序的执行，导致整个模拟过程的失败。

P01程序是起飞前调试程序，执行时会删除现存的导航信息，如果在火箭飞行过程中执行此程序，计算机将无法继续维持火箭航线，后果将是灾难性的。

凭借着SRE的直觉，Margaret为项目组提交了一个软件改动，申请在飞行程序中增加一项特殊状态检查，以避免飞行员在飞行过程中意外出发P01程序。

但不幸的是，NASA管理层认为，这项错误发生的可能性太小了，根本不值得为此添加这项修改。

于是Margaret没有能够成功提交这项软件修改。只能在火箭飞行手册中添加一段文字，写到：“飞行过程中，请勿触发P01 程序。”

此段文字在当时被很多NASA工程师认为是可笑又没必要的，所以人都认为宇航员经过长时间专业训练，绝不会犯这种低级错误。

当在Apollo 8 执行飞行任务时。三名宇航员执行长达四天的飞行任务途中，其中一人意外出触发了P01。 更巧的是，当天正好是圣诞节，大部分工程师都去休假了。可想而知，那时 NASA 一片混乱。

这种人命关天的时刻，如果不能及时解决，三名宇航员将永远无法安全返回了。

所幸，当时Margaret的飞行手册更新中恰恰提到了这种情形，并且提供重新上传数据以及恢复执行的有效办法，在有限的时间内解决了问题，任务可以继续进行。Margaret曾经说过：

“无论对一个软件系统运行原理掌握得多么透彻，也不能阻止人犯意外错误。”

这句话分明就是SRE的真谛啊。。。怎么实现真正的可靠性？

明明可以靠脸吃饭，她却要靠才华

那个年代并不鼓励女性参与高强度的技术工作。但是她却坚持选择了一条非典型的程序员进化之路。她一半是对科学的如痴如醉，另一半则是作为一个普通女性对于家庭的依恋。

她依旧日复一日地读书、做研究、顺其自然地嫁人，还打算要个孩子。她遵循着一般女性的足迹，虽然比当时的家庭主妇显得更 「高知」了一些。

那个时代，晶体管计算机还没发展完善，编程用的是汇编语言，计算机世界缺乏统一和规范。阿波罗飞船上包含着许多不同的计算机模块，为了给不同的模块编程，少说得学三五套汇编语言。玛格丽特作为项目的领导，基本每套汇编语言都需要精通，其复杂程度可想而知。

人类实现的第一个卡尔曼滤波器（线性系统的最优估计观测器）是在阿波罗计划中实现的。作为首席工程师的玛格丽特也参与了讨论和开发，代码一定也在这一摞厚厚的纸当中。

Margaret在担任 MIT 仪器实验室软件工程部的主管，帮助该实验室开发阿波罗计划中航天器搭载的飞行软件，其编写的程序都以最大程度防止崩溃为目的，从而防止了阿波罗 11 号登月计划中缀。

基于阿波罗计划中这些工作经历，在2003 年，Margaret获得 NASA 杰出太空行动奖，同时也被世人评为最伟大的女程序员。

虽然事故已经过去几十年，但是工程师们一定不会对此感到陌生，类似的场景总是在不断重演。

希望大家以史为鉴，只有靠着对细节不懈关注，做好充足的灾难预案和准备工作，时刻警惕着，不放过一切机会去避免灾难发生。

这就是SRE最重要的理念！

前言：

• 谁是世界上第一个SRE？
• 第一个SRE是在哪一年认定的？（说不定让你大吃一惊）
• 第一个SRE据说，是位女性？
  
  

一、首先我们来了解一下SRE

有一种说法，“一个系统如果已经开发完成，部署在生产环境上，则它就是稳定的，就不需要那么多工程师对其花费精力去优化、维护。”

从当下来看，这个说法显然不对。

那么，Google 是怎么认为的？

我们认为如果软件工程主要专注于设计和构建软件系统，那么应该有另一种职业专注于整个系统的生命周期管理。

从其设计一直到部署，历经不断改进，最好到退役。这样一种职业必须具有非常广泛的技能，但是和其他职业的专注点都不同。Google将这个职位称为站点可靠性工程师（SRE，Site Reliability Engineering）

细致的讲一下SRE

• 首先，也是最重要的一点，SRE 是工程师。SRE使用计算机科学和软件工程手段来设计和研发大型、分布式计算机软件系统。
  有时候，SRE和产品研发团队共同工作，其他时候我们需要开发这些系统的额外组件。如备份系统和负载均衡系统等。理想情况下，同时推进这些组件在多个项目中的复用。
  还有的时候，我们的任务是想出各种各样的办法用现在的组件解决新的问题。
• 其次，SRE的关注焦点在于可靠性。Ben Treynor Sloss，Google负载724运维的副总裁，SRE名称的发明者，宣称可靠性应该是任何产品设计中最基本的概念：*任何一个系统如果没有人能够稳定地使用，就没有存在意义。
  因此，SRE专注于对其负责的软件系统架构设计、运维流程的不断优化，让这些大型软件系统运行得更可靠，扩展性更好，能更有效的利用资源。
  但SRE比不是无止境地追求完美，当一个系统已经“足够可靠”时，SRE通常将精力投入到研发新的功能和创造新的产品中。
• 最后，SRE的主要工作是运维在分布式集群管理系统上运行具体业务服务（service）。不论是遍布全球的存储服务，还是亿万用户赖以工作的E-mail服务，还是Google最初的Web搜索服务。
  SRE中“S”最开始指代 的运维服务，因为SRE的第一个工作就是维持网站的正常运转。随着时间推移，SRE接管了Google内部绝大部分产品系统，包括Google Cloud Platform 这类开发者平台，也包括内部的一些非网站类的基础设施系统，如Bigtable
• 
  

二、据说，她是史上第一个SRE ？

NASA史上著名的女程序员，Margaret Hamilton。

在《Google SRE》这本书中，Google 选择了Margaret，MIT教授为史上第一个SRE，她参与了阿波罗计划的软件开发工作。

Google 同学说，她具有现代SRE的一切特性。而Margaret又长期供职于NASA.

看样子第一个SRE的产生，和NASA的阿波罗（Apollo）计划有关？

三、事情是这样的……

在Apollo 7 飞船研发期间的某一天（根据历史考证，为1968年某一天），Margaret带着她的小女儿Lauren一起来到公司。

在Margaret忙着和组员们在大型计算机上运行飞行模拟测试的时候，Lauren偷偷地按下了控制台的 DSKY 键。

整个模拟程序出乎意料地崩溃，导致整个火箭发射程序意外终止。

Margaret和组员调试后发现，原来Lauren意外触发了P01这段子程序的执行，导致整个模拟过程的失败。

P01程序是起飞前调试程序，执行时会删除现存的导航信息，如果在火箭飞行过程中执行此程序，计算机将无法继续维持火箭航线，后果将是灾难性的。

凭借着SRE的直觉，Margaret为项目组提交了一个软件改动，申请在飞行程序中增加一项特殊状态检查，以避免飞行员在飞行过程中意外出发P01程序。

但不幸的是，NASA管理层认为，这项错误发生的可能性太小了，根本不值得为此添加这项修改。

于是Margaret没有能够成功提交这项软件修改。只能在火箭飞行手册中添加一段文字，写到：“飞行过程中，请勿触发P01 程序。”

此段文字在当时被很多NASA工程师认为是可笑又没必要的，所以人都认为宇航员经过长时间专业训练，绝不会犯这种低级错误。

当在Apollo 8 执行飞行任务时。三名宇航员执行长达四天的飞行任务途中，其中一人意外出触发了P01。 更巧的是，当天正好是圣诞节，大部分工程师都去休假了。可想而知，那时 NASA 一片混乱。

这种人命关天的时刻，如果不能及时解决，三名宇航员将永远无法安全返回了。

所幸，当时Margaret的飞行手册更新中恰恰提到了这种情形，并且提供重新上传数据以及恢复执行的有效办法，在有限的时间内解决了问题，任务可以继续进行。Margaret曾经说过：

“无论对一个软件系统运行原理掌握得多么透彻，也不能阻止人犯意外错误。”

这句话分明就是SRE的真谛啊。。。怎么实现真正的可靠性？

明明可以靠脸吃饭，她却要靠才华

那个年代并不鼓励女性参与高强度的技术工作。但是她却坚持选择了一条非典型的程序员进化之路。她一半是对科学的如痴如醉，另一半则是作为一个普通女性对于家庭的依恋。

她依旧日复一日地读书、做研究、顺其自然地嫁人，还打算要个孩子。她遵循着一般女性的足迹，虽然比当时的家庭主妇显得更 「高知」了一些。

那个时代，晶体管计算机还没发展完善，编程用的是汇编语言，计算机世界缺乏统一和规范。阿波罗飞船上包含着许多不同的计算机模块，为了给不同的模块编程，少说得学三五套汇编语言。玛格丽特作为项目的领导，基本每套汇编语言都需要精通，其复杂程度可想而知。

人类实现的第一个卡尔曼滤波器（线性系统的最优估计观测器）是在阿波罗计划中实现的。作为首席工程师的玛格丽特也参与了讨论和开发，代码一定也在这一摞厚厚的纸当中。

Margaret在担任 MIT 仪器实验室软件工程部的主管，帮助该实验室开发阿波罗计划中航天器搭载的飞行软件，其编写的程序都以最大程度防止崩溃为目的，从而防止了阿波罗 11 号登月计划中缀。

基于阿波罗计划中这些工作经历，在2003 年，Margaret获得 NASA 杰出太空行动奖，同时也被世人评为最伟大的女程序员。

虽然事故已经过去几十年，但是工程师们一定不会对此感到陌生，类似的场景总是在不断重演。

希望大家以史为鉴，只有靠着对细节不懈关注，做好充足的灾难预案和准备工作，时刻警惕着，不放过一切机会去避免灾难发生。

这就是SRE最重要的理念！