天下运维是一家，炮兵连中的炊事兵

我们运维同学最头疼的就是开发人员写完代码之后就交给我们上线，我们往线上一放就变成了“着火的房子”，然后开发说这是你的问题。

所以，我们每天一上班就是“消防员”造型，火场着了火，我们只有斧头和锤子，连个水管都没有带。

我们自己感觉自己是很牛的，没有我们，这个公司就倒闭了

最可惜的是老板看不到这一点，老板说你们没事儿的时候也上班，每天上网，玩游戏，有的时候找不到你们，所以老板为我们评价不高。

所以，大家对我们的理解实际上是这样:

想请个假就得拜一下。

回到主题，Google 的 SRE是什么意思。

Google 的 SRE

  Google在成立SRE的时候是按照网站来划分的，SRE团队是负责这个网站的，每一个小SRE团队都负责一项业务，这项业务对生产团队有完全主导权，到底怎么样部署，生产环境怎么样维护都是SRE决定。

  

·         业务大，SRE团队就大；

·         业务小，SRE团队就小。

对最终用户负责，SRE跟最终用户最接近，开发人员写完代码关心功能做好没有，不关心用户是否高兴，SRE最关心的是用户看到错误页面的数量是否会增加。

SRE最重要的一点是做RELIABILITY，每秒钟Google会有几十万的查询，每个查询都会显示 ，运维团队要确保业务连续性。

制订、监控SLO，我们一定都是制订一个SLO，我们的目标是把这个服务做到比较稳定，稳定的级别是什么，如果没有做到这个目标会提升，会在哪些方面下功夫。

代码化、自动化、无人化，Google讲究的是所有人操作都不能以堆人来解决。

大部分互联网的业务都是这样的，它的增长速度是远超过你招人的速度，如果说这个业务一开始需要一个人，后来需要两个人、十个人，总有一天招不到足够的人，我们讲究的是无人化。

SRE最重要的一点，ENGINERRING，它在美国是一个很牛的词，必须是修桥、修路的专家，否则其他都是搬砖的。

SRE是非常强调的是，每一个SRE都必须是一个合格的码农，要自己写代码，要能理解业务代码是什么。

SRE是监控系统中毒用户，发现不好用，要自己开发，自己写插件完善它。

SRE是对整个产品的未来负责的，我要能够知道在运行的时候，用户量会增长到什么程度，需不需要架构的调整，需要不需要部署方式的改变等等。

要回答这个问题，不是只解决现在的问题，而是要向未来负责。

WHO:SRE

双技能树的程序员，既会写代码，又会做开发。你去开发自动化的程序，去改Bug，这些是开发的工作，SRE是强制50% 的时间，各做一半。

我们时不时会有一些开发人员转成了SRE，有一些SRE转成了开发，它和开发、运维是一个非常模糊的分工。

还有一个比较有意思的特点，SRE或者运维部门都需要这样的人，这个人就是看不惯事情，图表上每天会有一个波动，你就会觉得受不了，为什么会这样？你就要把它解决。

看右面的图很难受的话，你当运维是比较合适的，你有一种动力要改进这个东西，把这个东西做好，这是强迫症，运维团队都应该是强迫症。

SRE在公司内部拥有绝对的话语权，Google尤其是这一点，我在Google待了八年时间，见到很多次开发和运维团队争吵，VP听完之后

“不用跟我说那么多，就听SRE的就完了！”

你今天不听运维的，明天还得听运维的。

所以，SRE在Google中是非常强的，这件事情不舒服SRE，你这件事情基本上就办不成。当然，SRE也要知道有这样的信任，SRE会非常详细地帮助你分析对生产造成什么影响，有什么危害，能不能做得更好，这是互相促进的过程。

SRE不会一律说NO，肯定是说要一起前进。

SRE在整个公司里，有一个简单的架构图，这个架构图的最下层是Datacenter，Google全球有一百多个Datacenter，每个Datacenter有自己的运维人员，运维人员像操作某台机器一样，去上架、下架、接网。

DC  SRE就是说，每个数据中心现在都是智能化了，你要监控它的电压、温控等等。

所有的技术中心上跑的基础软件我们称为TI，TI里面有自己的开发人员，会有TI自己的系统的SRE，有维护数据库的，有维护分布式文件系统的。

具体再往上，其实我们支撑的是公司的主要业务，主要业务是PA，PA里面是应用运维。

SRE是公司运维部门组合在一起，用同样的方式指导我们的工作，每个团队面对的问题和产生的技术和方法都是不一样的。

WHAT: SRE

SRE平时都干什么事儿呢？这八年都做什么事呢？

我就做了三件事：纵火犯、救火队员、兼职开发。

所以，运维是整个公司里面持证纵火。在美国比较讲究这一点，任何东西不动的一般就不坏，当一个东西足够稳定之后，它一般不坏，什么时候会容易出事故？做更新，做改动。

SRE最大的一个工作职责就是持证放火，产品要进步，新功能要发布。

所以，每次产品发布为SRE来说，SRE都要处理问题，从变更实施的第一个小时到48小时是出现问题最严重的时候。

SRE做灰度发布等都是要解决这个问题，不要把全世界的用户都搞挂了，要挂就挂一小部分。

放火放到一定程度要知道现在生产系统到底是好的还是坏的，我们去分析和找到哪些关键的指标告诉这个服务是正常运行的，这个变更到底能不能继续实施，这些都是SRE做决策的关键点。

Google的On-call，每个人大概是一个月分到一次，每次On-call是早上九点到晚上九点，在我们睡觉的时候，实际上是地球另外一边的SRE做，大部分都是在工作时间内。

这个On-call是非常紧急的事情，不是说可以慢慢悠悠地从食堂都回座位看一看，Google的每条报警都是有严格规定的，必须要在5分钟之内赶到电脑前，登录上线处理问题，5分钟我觉得是人类的极限了。

老板来一通电话，说你现在上线改完成，你找到电脑，连线登录VPN，也就是五分钟。

Google如果有On-call的话，它就是5分钟，还有30分钟的，30分钟的是不是很关键的。

5分钟响应的才需要SRE，SRE接到报警之后要做的第一件事，报警是比较严重的事，半个地球都访问不了网站了。

SRE要在30分钟或者一个小时内快速决定怎么样把这个问题解决，是重启服务器还是重新调新的资源配置机器也好，反正在一个小时之内必须要把问题解决。否则，整个公司的业务就受到严重的影响。

只有关键性的东西才会发报警，接到报警之后必须要做紧急的处理。

我们会参加Incident  Management，在紧急事件发生的时候，正确的流程是什么？

很多人不知道紧急流程是什么，很多公司线上出现问题的时候，整个公司人都不能干活。

老板说必须解决这个问题，每个人都在不停地刷网页，没有一个很清晰的职责，没有人沟通需要谁参与、不需要谁参与、目前的进展是什么样

这恰恰是SRE最需要的，当一个灾难发生的时候，该做什么事情、谁负责对外沟通、谁需要调配资源，这些都是需要演练的，就要求每一个运维团队的人有这种能力和意识解决这个问题。

最正确的处理是迅速恢复网站的正常访问，公司内部认为SRE的On-call时间应该多发1/3工资，正是因为要求非常严格，对公司影响非常大，所以才有这个要求。

当我们on-call的时候，吃饭的时候必须要带笔记本，哪怕坐车回家都要随时可以上网，报警来了必须要马上解决问题，也是挺苦的一件事情。

开发主要是集中在几个方面：监控系统的开发是SRE的一个重点。

管理性和高可用性架构。它经常是做非常小的事情，这些业务的组件有一个统一的管理方式，管理接口、监控接口，这些都非常细，一点一点的开发是SRE做得最多的事情。

HOW:SRE

·         SRE在初期阶段，任何项目都有一个初期阶段，初期阶段是还在不断发展、不断进步的过程中，每个业务都有这样的阶段。

SRE在这个阶段主要做的事情是帮助开发人员做一些重复的工作，比如发布、监控。为什么要做这些事情呢？  

·         第一，可以降低一些开发的压力；

·         第二，可以让开发把这些事情整理成文档，你在做一个新业务的时候，你如果让开发一个人负责开发和部署。

·         最后这个东西都存在开发的脑子里，对他来说没有必要写文档。

中间加入另外一个角色的时候，很多东西必须要文档化，要规范。SRE就是负责挑毛病，看你这个地方文档写得不正确，这么执行老有问题，就是在这样一个拉锯战的过程中。

SRE更多的是帮助开发团队做一些比较基础的，建立起比较规范的流程，建立起比较规范的监控环境。

·         到了业务成熟期，开发团队和运维团队的目标就不一样了，开发团队想的是要做一个新功能，加一个新板块，运维更关心的你要上一个新的版本就把整个网站搞挂了。

这个时候SRE和开发团队打仗就比较多一点，如何能够保障上新功能不会影响旧功能，上新功能的速度是不是应该放缓一点等等。

进入ONCALL阶段，西海岸有6个人，在欧洲有6个人，这12个人一个月轮一次，ONCALL最主要的是把问题解决，通过各种各样的小脚本把这个问题解决。

如果开发不能立刻写出的时候，SRE就要定时重启服务器或者定时删东西，大家都遇到过开发写的这个功能上线之后，隔一段时间服务器就挂、内存泄露，一时半会又查不出问题所在，SRE就每天几个小时上线重启一下服务器。
但是这是SRE的一大作用，整个公司就需要一个这样的人，就需要知道现在公司需要每天重启服务器，那你就要重启服务器。

SRE更重要的一点是推进，不能每天都重启服务器，要把这个问题找出来，剩下的50% 时间是在做这个事情，推动开发、运维团队把这个问题解决。

BEST PRACTICES:SRE

SRE非常强调可管理性，可管理性这个事情，很多公司没有系统地重视它，实际上它是一个非常重要的东西，因为一个人记住的东西是有限的。

所以，可管理性就直接决定了你一个人能干多少活，如果所有的东西都是一样的，一个人能发挥的作用就是很大的。

Google的一百个数据中心几乎是一样的，对于一个管理人员来说，它只是一百个副本，它所有机器的配置方式、机器的管理方式，这些东西都是一样的。

所以，找到一个合适的抽象层，把底层细节稳定下来，你才能把这个东西管好。

怎么跟开发团队去填这个坑，开发团队天天写出很多烂代码，运维来背锅，这件事情很难办。怎么办呢？  

在Google，我们采用了一个可靠性预算的方式，开发的头儿和运维的头儿坐在一起，大家讨论一下你们写的这个服务，你到底想让它多可靠。

什么东西都是有可能出问题的，你觉得你们这个业务非常重要，公司没有它活不下去，是三个九还是四个九？你要问清楚，把这个事情想清楚了，其实很多问题就得到解决了。

如果你觉得这个东西要非常可靠，这个服务必须是每天三个九状态在运行，上线之后不停地抛各种错误，实际上是在以两个九的方式在运行，这个时候不应该再做新的开发，应该修BUG，修到三个九的时候才有一点空间做别的事情。

如果不把可靠性当成产品的要求，开发不背黑锅，运维说是你们写代码写的问题。所以，产品部门要做这个决定。

给大家举一个实际的例子，大家去看优酷或者YouTube的视频要存几份？

当年YouTube一个月就是一个TB的存储量，如果说把每个视频文件存两份，就相当于两个TB，整个容量设计、系统吞吐量全部要涨。

存一份和存两份就是可靠性的区别。所以，最后产品做出决定：不重要的事情就做一份，这个决定做出来了，就好办了。

很多升级或者可靠性的东西就可以衡量了，我可以清晰地知道我想要什么，不是说这个东西上线之后就百分之百可以做到，开发、运维人员背黑锅的问题就好一点。

SRE会做一些基础性的服务，公司发现管机器的地方多，就建立起一套重装机器的流程，SRE在这个过程中不断地发现哪些地方可以自动化，他去做这个事情。

SRE要提出基础设施的优化，多发奖金等等，公司里面要推动，给运维团队足够的信心和足够的激励让他们来做这个事情，否则就没有人做这个事情。

填坑是一个长期的过程，很多时候SRE或者运维团队要堆硬件，硬件是不可靠的，不可靠也得堆，堆多了，怎么变成可靠？  

在Google中讲的特别多的就是N无+M，大家可以想象N+1、N+2，N+3，很多公司都不知道N是什么，不知道需要几台机器，大概需要两台，就先放两台，流量一来，瞬间就瘫掉了。

我们可以进行压力测试工具。

我们一般把昨天的流量保存下来，找一些流量重放工具去测试，我们一般都是测100-130%这个区间，我们在做服务容量的时候都是做130%，在这个基础之上才做N+几，在业务顶峰的时候，突然两个集群挂掉了，整个集群还可以正常运行。

所以，这是一个比较高的标准，一般三个九或者四个九的服务至少需要N+2，稍微低一点的需要N+1，美国没有了，欧洲还有一个可以做。

在Google和国内不一样的是从来我们也不提灾备计划，你冷备机房想迅速切换过来，总会有各种各样的问题。

Google讲，你要么就是讲容量，你告诉我有多少富余的容量，我们讲究的N+几是在容量上的N+几。堆硬件可能对大家有一点启发。

SRE怎么解决自己的人头问题？

SRE要根据业务的成长，大部分外部业务都是成指数增加的。SRE招人比较难，我们应该做什么呢？应该做一套不会坏的系统。

·         首先，这个东西从用户请求到中间件、服务器、数据库，每一层之间有各种各样的备份，有本地缓存，有负载均衡，这样不会遇到业务链越长坏的可能性越大。

所以，SRE的一般做法是在每一层把问题都拦住，相当于这一层对下一层是负责的，可以保证整个链路的容量能够满足要求。

比如说前端平时是2.5倍容量，关键时刻是10倍顶上，每一个负责业务的人要准备好足够的容量去做这件事情。

这种方式的好处，相当于变成有损命令，Google比较讲究的是整个用户的质量是从端到端控制，如果不是特别重要的请求，可以在请求进入Google内网的一瞬间，可以被打一个标签：

这个请求是可以被丢弃的，能请求的请求，不能请求就被丢弃了。

按照这种方式组织的系统，在系统容量出现问题或者有灾难情况的情况下，这对用户质量是非常可靠的，自然而然就保持了业务的连续性。

·         SRE的指导思想，不能有人的参与。

人是Google灾难的主要原因，Google90%以上的灾难都是由人引起的。讲一个实际的例子，无论这个文档写得有多好，只要让人参与，一定会把命令打错，今天没有打错，明天也会打错。

如果到数据中心就更严重了，我们经常发现机房的一整个机柜的机器坏了，等这个消息传达到数据中心的时候，数据中心这个人去扳这个开关，就扳错了，另一个机柜灭了，然后扳起来，结果把两个一起扳起来，导致整个供电负载超高，整个数据中心停电了，这可能是数据中心人员最糟糕的错误。

事实上任何工作要人来操作肯定会出现错误，要解决这个问题，必须要把人排除在外。

5分钟是人的极限，如果你想达到四个九，每次光收报警然后上线就得五分钟，实际上你永远达不到。

所以，必须要把人排除在外，设计任何系统都要以没有人参与为核心，即使不能完全自动化，人也只是审批的功能。

前两天美国有一个网站访问不了，过两天发了一个通告说有一个运维人员把线上数据库干掉了，点错按钮把它干掉了。

运维同学如果想不背锅，不要老离锅太近。

如何正确设计一个监控系统？

Google SRE的标准是每周只有十条报警，如果超过十条，说明你能力有问题，没有正确地把无效报警过滤掉。
整个监控系统有三种输出：

·         报警

系统以自动化的方式找到的，要你马上处理，这是一个紧急事件，你必须要去处理；

·         工单

系统还剩10%，这不是马上处理的，在一天、两天之内搞定就可以了，SRE处理这个工单；

·         记录

记录是没有人看的，因为记录实在是太多了，访问有记录，中间件有记录，数据库有记录，所有的东西都有记录，如果你用这种方式来发，如果说什么事都发报警的话，最后你的报警就看不到了。

SRE的要求是所有的报警都必须是接到报警，有明确的事情要干，马上要干，这才叫报警。

其他如果不是的话，要么就是工单，要么就是记录，比如发布就是一个记录，记录信息能够查到就可以了。

所以，监控系统，这是值得好好思考的，所有的监控系统设计都应该按照这个方式来做。你要想把报警用好，就让报警的数量减少，让它报该报的事情，不要让所有的事情都烦到你。

我们国内大家没有ONCALL的概念，大家是随时ONCALL。

但是Google不是这样的，Google的ONCALL是非常明确的报警，它也一个升级策略。

·         首先，一条报警只有一个人来处理，这个人就是当前ONCALL的人，不会分配给别的人，所以ONCALL的人必须能够解决问题。

如果他由于各种不可控的原因导致他没有及时地响应这个报警，我们会有一个收集策略:

5分钟之内发给一个人，5分钟之内他没有标记为“正在处理”，就自动发给一个备份。

每次ONCALL都是两个人，一个人是主ONCALL，一个人备份，备份的这个人的主要目的是把ONCALL的这个人给找回来。

ONCALL的这个人就应该是在电脑旁边，如果说在公司出门抽烟，这个任务就交给别人处理了，这就不叫ONCALL了。

备份ONCALL的首要目的是把主要的ONCALL的人找回来。  

·         运维必须要处理线上问题，公司让你ONCALL发一份工资是让你赶紧解决问题的，不是让你修一个东西的。

老板说让你紧急处理一下，你打开浏览器看了一下说代码可以重新改一下，改完代码CI系统又坏了，去修修CI，老板很生气，你一天了没有干任何事，他真正想让你干的就是把现场问题解决了。

解决现场问题的能力非常关键，你要有一个好的想法，马上实施，马上解决问题，这才是最关键的。

·         最后，我们每周会有一次例会，其实就是把这一周收到的所有报警信息大家一起过一下，每一个信息当时是怎么处理的，有没有更好的处理方案。

你要问为什么，这个问为什么是一位咨询专家提出的，你要问5次大概就问到点了，你找到Root  cause，做一些防范工作，这样报警的次数会变少。

SRE把运维事情当成一种开发，当成一种修Bug，目的就是把线上的Bug都吃掉。

实战演习需要演习，需要学习，我们会做Operation  Readiness  Drill，每两周组织全组人的演习，待的时间比较长的人给新来的人出一个题。

假如说网站现在都访问不了，该怎么解决？

这个人拿出笔记本，就在全组人的目光之下，去尝试修复这个问题。

这个问题一般是比较普遍的问题，基本上你要去分析这个问题是为什么发生，怎么解决，跟大家讨论。但是这个过程是非常有意义的，处理过这类问题的人，可以看到不同的新的处理方式，没有处理过这类问题的人可以学习。

所以，我们会针对各种各样不同的报警去做这种演习。

场景演练，每两周选出一两个人进行场景演练，每半年公司都会组织一次大型的场景演练，那半个月的时间公司说我们新的业务开发可以稍微等一等，全公司各个部门一起来做实战演习。

当具体做的时候是每个部门自己做，想出来要做什么样的演习，怎么执行。从公司的层面，这两周时间就去做这个事情，我们来支持你们。

Google做演习是假如总部停电了，怎么办？

如果一个网站每天都需要你不停地去看，一个关键组件只有一个人能管了，如果人突然感冒发烧拉肚子，没有看报警，难道整个网站就不运行了吗？

通过不断的实践演练和演习，最后才能做好ONCALL，才能真正满足你的要求。

SRE最好的一个传统就是针对每一次大事故，我们都会做一次事后总结。

这个事后总结虽然是领导要求的，但是实际上领导们是有一条硬性规定，不能按照事后总结的内容发奖金，这是很关键的。

事后总结的目标是把整个事件的流程和经历的事情、 什么问题写下来。

Capture  the  facts，什么时间到什么时间网站是不可用的，你从中学到了什么，你要做什么。

每次大事故都会组织这样的人去分享，这个文档是非常好的，是我们SRE团队之间互相学习的一个主要渠道。

所以，背锅实际上要背得正确才行，很多是SRE擅长写事后总结，写完之后让你觉得原来他对这个系统这么了解，这个锅实在是背得太好了！

背锅不一定是坏事，如果背锅不罚钱是最好的，你一定要说你背了这次锅，一定要保证别人不会再背这次锅。

SRE最推崇这一点，如果你能够把一个事件吃透，你可以在公司之内给别人做演讲，做培训。

过载的问题很难解决，但是我们SRE在某一次事故中发现了这个问题，他做了非常详细的事后总结，搞出一套新的方案，推动了整个公司前端服务架构的一个演进。

所以，这是运维的最高层次，你什么也不干，就坐在那里挑开发写出来的毛病，你设计出新的方案，推进到全公司。

最后跟大家分享一点，怎么样解决这个问题才算真的解决了，我们一定要把它解决到以后再也没有人需要关注这个问题、再也不用解决。

如果说这个东西两三天坏一次，需要重启。你的解决方案是重启，对不起，这不叫解决问题，这只是叫处理问题，你只是把它处理一下，隔两天还要重启。

真正解决问题的方案是找到原因，去把它真正解决掉，这才是所有运维或者SRE主要干的事情。

我们曾经有一个具体案例，公司聘了一个五六十岁的老头儿，他是一个学术专家，每天上班之后也不做什么事，每天喝喝茶，看看报纸，翻翻图表。

我们都不知道他干什么，突然有一天跑过来他跟我们说，他看了公司的很多监控，发现大概每隔一百毫秒图表就会波动，他就去查这个问题。

公司调了很多资源来处理这个波动，他看到了这个问题，他怎么做的呢？他发现这个问题，就去各个部门问在什么情况下会出现这个问题。

他花了大半年的时间查到了，他自己最后总结，他这一项给公司挣回了十年的工资。

我们还曾经帮英特尔修过一次CPU，它做大规模的计算，加密运算，AES，在几百万分之一的情况下会写出一个错误。

我们的SRE在运维这个系统的时候发现为什么每个月都会产生一些错误数据，一开始觉得是我们自己程序写的错误，后来没有找到。

后来到某种CPU，发现这种CPU执行就会出现措施，证实确实是如此。后来，他就找到了英特尔，英特尔给了我们一个内部的小册子，这个册子是全公司只有几个人才能拿到的，CPU不是每一个执行起来都不是一样的耗电量。

这个人后来帮助英特尔解决了这个问题，最后英特尔发了一个新的微内核，我们应用上去。

其实这个问题，很多团队其实都遇到过各种各样形式的问题，这个人从业务出发，一直推动了技术架构的更新，以后推动了英特尔，在整个业内都造成了一定的影响。

这就是SRE比较成功的地方。

我跟大家分享一个图，这个图是一个七级的图表。

灾难分类，你可以回想一下，运维同学曾经遇到的灾难。最差的灾难，一个东西坏了，坏得最彻底，不光是把新数据丢了，老数据也都删了。

再往上是只丢新数据，不丢老数据。再往上是压根不坏，虽然出问题，但是不会停止提供服务，还可以操作，还可以继续运行。

从一到七实际上是一个级别，大家可以拿这个图对比一下自己的系统处于哪个级别。

如果所有的系统都能够拿到第七级，就算出一个灾难，出一个问题，也可以很快地恢复，不影响质量，这个时候运维才算是真正把自己的工作做好。

  

今天就到这里，谢谢大家！（孙宇聪原创）

天下运维是一家，炮兵连中的炊事兵

我们运维同学最头疼的就是开发人员写完代码之后就交给我们上线，我们往线上一放就变成了“着火的房子”，然后开发说这是你的问题。

所以，我们每天一上班就是“消防员”造型，火场着了火，我们只有斧头和锤子，连个水管都没有带。

我们自己感觉自己是很牛的，没有我们，这个公司就倒闭了

最可惜的是老板看不到这一点，老板说你们没事儿的时候也上班，每天上网，玩游戏，有的时候找不到你们，所以老板为我们评价不高。

所以，大家对我们的理解实际上是这样:

想请个假就得拜一下。

回到主题，Google 的 SRE是什么意思。

Google 的 SRE

  Google在成立SRE的时候是按照网站来划分的，SRE团队是负责这个网站的，每一个小SRE团队都负责一项业务，这项业务对生产团队有完全主导权，到底怎么样部署，生产环境怎么样维护都是SRE决定。

  

·         业务大，SRE团队就大；

·         业务小，SRE团队就小。

对最终用户负责，SRE跟最终用户最接近，开发人员写完代码关心功能做好没有，不关心用户是否高兴，SRE最关心的是用户看到错误页面的数量是否会增加。

SRE最重要的一点是做RELIABILITY，每秒钟Google会有几十万的查询，每个查询都会显示 ，运维团队要确保业务连续性。

制订、监控SLO，我们一定都是制订一个SLO，我们的目标是把这个服务做到比较稳定，稳定的级别是什么，如果没有做到这个目标会提升，会在哪些方面下功夫。

代码化、自动化、无人化，Google讲究的是所有人操作都不能以堆人来解决。

大部分互联网的业务都是这样的，它的增长速度是远超过你招人的速度，如果说这个业务一开始需要一个人，后来需要两个人、十个人，总有一天招不到足够的人，我们讲究的是无人化。

SRE最重要的一点，ENGINERRING，它在美国是一个很牛的词，必须是修桥、修路的专家，否则其他都是搬砖的。

SRE是非常强调的是，每一个SRE都必须是一个合格的码农，要自己写代码，要能理解业务代码是什么。

SRE是监控系统中毒用户，发现不好用，要自己开发，自己写插件完善它。

SRE是对整个产品的未来负责的，我要能够知道在运行的时候，用户量会增长到什么程度，需不需要架构的调整，需要不需要部署方式的改变等等。

要回答这个问题，不是只解决现在的问题，而是要向未来负责。

WHO:SRE

双技能树的程序员，既会写代码，又会做开发。你去开发自动化的程序，去改Bug，这些是开发的工作，SRE是强制50% 的时间，各做一半。

我们时不时会有一些开发人员转成了SRE，有一些SRE转成了开发，它和开发、运维是一个非常模糊的分工。

还有一个比较有意思的特点，SRE或者运维部门都需要这样的人，这个人就是看不惯事情，图表上每天会有一个波动，你就会觉得受不了，为什么会这样？你就要把它解决。

看右面的图很难受的话，你当运维是比较合适的，你有一种动力要改进这个东西，把这个东西做好，这是强迫症，运维团队都应该是强迫症。

SRE在公司内部拥有绝对的话语权，Google尤其是这一点，我在Google待了八年时间，见到很多次开发和运维团队争吵，VP听完之后

“不用跟我说那么多，就听SRE的就完了！”

你今天不听运维的，明天还得听运维的。

所以，SRE在Google中是非常强的，这件事情不舒服SRE，你这件事情基本上就办不成。当然，SRE也要知道有这样的信任，SRE会非常详细地帮助你分析对生产造成什么影响，有什么危害，能不能做得更好，这是互相促进的过程。

SRE不会一律说NO，肯定是说要一起前进。

SRE在整个公司里，有一个简单的架构图，这个架构图的最下层是Datacenter，Google全球有一百多个Datacenter，每个Datacenter有自己的运维人员，运维人员像操作某台机器一样，去上架、下架、接网。

DC  SRE就是说，每个数据中心现在都是智能化了，你要监控它的电压、温控等等。

所有的技术中心上跑的基础软件我们称为TI，TI里面有自己的开发人员，会有TI自己的系统的SRE，有维护数据库的，有维护分布式文件系统的。

具体再往上，其实我们支撑的是公司的主要业务，主要业务是PA，PA里面是应用运维。

SRE是公司运维部门组合在一起，用同样的方式指导我们的工作，每个团队面对的问题和产生的技术和方法都是不一样的。

WHAT: SRE

SRE平时都干什么事儿呢？这八年都做什么事呢？

我就做了三件事：纵火犯、救火队员、兼职开发。

所以，运维是整个公司里面持证纵火。在美国比较讲究这一点，任何东西不动的一般就不坏，当一个东西足够稳定之后，它一般不坏，什么时候会容易出事故？做更新，做改动。

SRE最大的一个工作职责就是持证放火，产品要进步，新功能要发布。

所以，每次产品发布为SRE来说，SRE都要处理问题，从变更实施的第一个小时到48小时是出现问题最严重的时候。

SRE做灰度发布等都是要解决这个问题，不要把全世界的用户都搞挂了，要挂就挂一小部分。

放火放到一定程度要知道现在生产系统到底是好的还是坏的，我们去分析和找到哪些关键的指标告诉这个服务是正常运行的，这个变更到底能不能继续实施，这些都是SRE做决策的关键点。

Google的On-call，每个人大概是一个月分到一次，每次On-call是早上九点到晚上九点，在我们睡觉的时候，实际上是地球另外一边的SRE做，大部分都是在工作时间内。

这个On-call是非常紧急的事情，不是说可以慢慢悠悠地从食堂都回座位看一看，Google的每条报警都是有严格规定的，必须要在5分钟之内赶到电脑前，登录上线处理问题，5分钟我觉得是人类的极限了。

老板来一通电话，说你现在上线改完成，你找到电脑，连线登录VPN，也就是五分钟。

Google如果有On-call的话，它就是5分钟，还有30分钟的，30分钟的是不是很关键的。

5分钟响应的才需要SRE，SRE接到报警之后要做的第一件事，报警是比较严重的事，半个地球都访问不了网站了。

SRE要在30分钟或者一个小时内快速决定怎么样把这个问题解决，是重启服务器还是重新调新的资源配置机器也好，反正在一个小时之内必须要把问题解决。否则，整个公司的业务就受到严重的影响。

只有关键性的东西才会发报警，接到报警之后必须要做紧急的处理。

我们会参加Incident  Management，在紧急事件发生的时候，正确的流程是什么？

很多人不知道紧急流程是什么，很多公司线上出现问题的时候，整个公司人都不能干活。

老板说必须解决这个问题，每个人都在不停地刷网页，没有一个很清晰的职责，没有人沟通需要谁参与、不需要谁参与、目前的进展是什么样

这恰恰是SRE最需要的，当一个灾难发生的时候，该做什么事情、谁负责对外沟通、谁需要调配资源，这些都是需要演练的，就要求每一个运维团队的人有这种能力和意识解决这个问题。

最正确的处理是迅速恢复网站的正常访问，公司内部认为SRE的On-call时间应该多发1/3工资，正是因为要求非常严格，对公司影响非常大，所以才有这个要求。

当我们on-call的时候，吃饭的时候必须要带笔记本，哪怕坐车回家都要随时可以上网，报警来了必须要马上解决问题，也是挺苦的一件事情。

开发主要是集中在几个方面：监控系统的开发是SRE的一个重点。

管理性和高可用性架构。它经常是做非常小的事情，这些业务的组件有一个统一的管理方式，管理接口、监控接口，这些都非常细，一点一点的开发是SRE做得最多的事情。

HOW:SRE

·         SRE在初期阶段，任何项目都有一个初期阶段，初期阶段是还在不断发展、不断进步的过程中，每个业务都有这样的阶段。

SRE在这个阶段主要做的事情是帮助开发人员做一些重复的工作，比如发布、监控。为什么要做这些事情呢？  

·         第一，可以降低一些开发的压力；

·         第二，可以让开发把这些事情整理成文档，你在做一个新业务的时候，你如果让开发一个人负责开发和部署。

·         最后这个东西都存在开发的脑子里，对他来说没有必要写文档。

中间加入另外一个角色的时候，很多东西必须要文档化，要规范。SRE就是负责挑毛病，看你这个地方文档写得不正确，这么执行老有问题，就是在这样一个拉锯战的过程中。

SRE更多的是帮助开发团队做一些比较基础的，建立起比较规范的流程，建立起比较规范的监控环境。

·         到了业务成熟期，开发团队和运维团队的目标就不一样了，开发团队想的是要做一个新功能，加一个新板块，运维更关心的你要上一个新的版本就把整个网站搞挂了。

这个时候SRE和开发团队打仗就比较多一点，如何能够保障上新功能不会影响旧功能，上新功能的速度是不是应该放缓一点等等。

进入ONCALL阶段，西海岸有6个人，在欧洲有6个人，这12个人一个月轮一次，ONCALL最主要的是把问题解决，通过各种各样的小脚本把这个问题解决。

如果开发不能立刻写出的时候，SRE就要定时重启服务器或者定时删东西，大家都遇到过开发写的这个功能上线之后，隔一段时间服务器就挂、内存泄露，一时半会又查不出问题所在，SRE就每天几个小时上线重启一下服务器。
但是这是SRE的一大作用，整个公司就需要一个这样的人，就需要知道现在公司需要每天重启服务器，那你就要重启服务器。

SRE更重要的一点是推进，不能每天都重启服务器，要把这个问题找出来，剩下的50% 时间是在做这个事情，推动开发、运维团队把这个问题解决。

BEST PRACTICES:SRE

SRE非常强调可管理性，可管理性这个事情，很多公司没有系统地重视它，实际上它是一个非常重要的东西，因为一个人记住的东西是有限的。

所以，可管理性就直接决定了你一个人能干多少活，如果所有的东西都是一样的，一个人能发挥的作用就是很大的。

Google的一百个数据中心几乎是一样的，对于一个管理人员来说，它只是一百个副本，它所有机器的配置方式、机器的管理方式，这些东西都是一样的。

所以，找到一个合适的抽象层，把底层细节稳定下来，你才能把这个东西管好。

怎么跟开发团队去填这个坑，开发团队天天写出很多烂代码，运维来背锅，这件事情很难办。怎么办呢？  

在Google，我们采用了一个可靠性预算的方式，开发的头儿和运维的头儿坐在一起，大家讨论一下你们写的这个服务，你到底想让它多可靠。

什么东西都是有可能出问题的，你觉得你们这个业务非常重要，公司没有它活不下去，是三个九还是四个九？你要问清楚，把这个事情想清楚了，其实很多问题就得到解决了。

如果你觉得这个东西要非常可靠，这个服务必须是每天三个九状态在运行，上线之后不停地抛各种错误，实际上是在以两个九的方式在运行，这个时候不应该再做新的开发，应该修BUG，修到三个九的时候才有一点空间做别的事情。

如果不把可靠性当成产品的要求，开发不背黑锅，运维说是你们写代码写的问题。所以，产品部门要做这个决定。

给大家举一个实际的例子，大家去看优酷或者YouTube的视频要存几份？

当年YouTube一个月就是一个TB的存储量，如果说把每个视频文件存两份，就相当于两个TB，整个容量设计、系统吞吐量全部要涨。

存一份和存两份就是可靠性的区别。所以，最后产品做出决定：不重要的事情就做一份，这个决定做出来了，就好办了。

很多升级或者可靠性的东西就可以衡量了，我可以清晰地知道我想要什么，不是说这个东西上线之后就百分之百可以做到，开发、运维人员背黑锅的问题就好一点。

SRE会做一些基础性的服务，公司发现管机器的地方多，就建立起一套重装机器的流程，SRE在这个过程中不断地发现哪些地方可以自动化，他去做这个事情。

SRE要提出基础设施的优化，多发奖金等等，公司里面要推动，给运维团队足够的信心和足够的激励让他们来做这个事情，否则就没有人做这个事情。

填坑是一个长期的过程，很多时候SRE或者运维团队要堆硬件，硬件是不可靠的，不可靠也得堆，堆多了，怎么变成可靠？  

在Google中讲的特别多的就是N无+M，大家可以想象N+1、N+2，N+3，很多公司都不知道N是什么，不知道需要几台机器，大概需要两台，就先放两台，流量一来，瞬间就瘫掉了。

我们可以进行压力测试工具。

我们一般把昨天的流量保存下来，找一些流量重放工具去测试，我们一般都是测100-130%这个区间，我们在做服务容量的时候都是做130%，在这个基础之上才做N+几，在业务顶峰的时候，突然两个集群挂掉了，整个集群还可以正常运行。

所以，这是一个比较高的标准，一般三个九或者四个九的服务至少需要N+2，稍微低一点的需要N+1，美国没有了，欧洲还有一个可以做。

在Google和国内不一样的是从来我们也不提灾备计划，你冷备机房想迅速切换过来，总会有各种各样的问题。

Google讲，你要么就是讲容量，你告诉我有多少富余的容量，我们讲究的N+几是在容量上的N+几。堆硬件可能对大家有一点启发。

SRE怎么解决自己的人头问题？

SRE要根据业务的成长，大部分外部业务都是成指数增加的。SRE招人比较难，我们应该做什么呢？应该做一套不会坏的系统。

·         首先，这个东西从用户请求到中间件、服务器、数据库，每一层之间有各种各样的备份，有本地缓存，有负载均衡，这样不会遇到业务链越长坏的可能性越大。

所以，SRE的一般做法是在每一层把问题都拦住，相当于这一层对下一层是负责的，可以保证整个链路的容量能够满足要求。

比如说前端平时是2.5倍容量，关键时刻是10倍顶上，每一个负责业务的人要准备好足够的容量去做这件事情。

这种方式的好处，相当于变成有损命令，Google比较讲究的是整个用户的质量是从端到端控制，如果不是特别重要的请求，可以在请求进入Google内网的一瞬间，可以被打一个标签：

这个请求是可以被丢弃的，能请求的请求，不能请求就被丢弃了。

按照这种方式组织的系统，在系统容量出现问题或者有灾难情况的情况下，这对用户质量是非常可靠的，自然而然就保持了业务的连续性。

·         SRE的指导思想，不能有人的参与。

人是Google灾难的主要原因，Google90%以上的灾难都是由人引起的。讲一个实际的例子，无论这个文档写得有多好，只要让人参与，一定会把命令打错，今天没有打错，明天也会打错。

如果到数据中心就更严重了，我们经常发现机房的一整个机柜的机器坏了，等这个消息传达到数据中心的时候，数据中心这个人去扳这个开关，就扳错了，另一个机柜灭了，然后扳起来，结果把两个一起扳起来，导致整个供电负载超高，整个数据中心停电了，这可能是数据中心人员最糟糕的错误。

事实上任何工作要人来操作肯定会出现错误，要解决这个问题，必须要把人排除在外。

5分钟是人的极限，如果你想达到四个九，每次光收报警然后上线就得五分钟，实际上你永远达不到。

所以，必须要把人排除在外，设计任何系统都要以没有人参与为核心，即使不能完全自动化，人也只是审批的功能。

前两天美国有一个网站访问不了，过两天发了一个通告说有一个运维人员把线上数据库干掉了，点错按钮把它干掉了。

运维同学如果想不背锅，不要老离锅太近。

如何正确设计一个监控系统？

Google SRE的标准是每周只有十条报警，如果超过十条，说明你能力有问题，没有正确地把无效报警过滤掉。
整个监控系统有三种输出：

·         报警

系统以自动化的方式找到的，要你马上处理，这是一个紧急事件，你必须要去处理；

·         工单

系统还剩10%，这不是马上处理的，在一天、两天之内搞定就可以了，SRE处理这个工单；

·         记录

记录是没有人看的，因为记录实在是太多了，访问有记录，中间件有记录，数据库有记录，所有的东西都有记录，如果你用这种方式来发，如果说什么事都发报警的话，最后你的报警就看不到了。

SRE的要求是所有的报警都必须是接到报警，有明确的事情要干，马上要干，这才叫报警。

其他如果不是的话，要么就是工单，要么就是记录，比如发布就是一个记录，记录信息能够查到就可以了。

所以，监控系统，这是值得好好思考的，所有的监控系统设计都应该按照这个方式来做。你要想把报警用好，就让报警的数量减少，让它报该报的事情，不要让所有的事情都烦到你。

我们国内大家没有ONCALL的概念，大家是随时ONCALL。

但是Google不是这样的，Google的ONCALL是非常明确的报警，它也一个升级策略。

·         首先，一条报警只有一个人来处理，这个人就是当前ONCALL的人，不会分配给别的人，所以ONCALL的人必须能够解决问题。

如果他由于各种不可控的原因导致他没有及时地响应这个报警，我们会有一个收集策略:

5分钟之内发给一个人，5分钟之内他没有标记为“正在处理”，就自动发给一个备份。

每次ONCALL都是两个人，一个人是主ONCALL，一个人备份，备份的这个人的主要目的是把ONCALL的这个人给找回来。

ONCALL的这个人就应该是在电脑旁边，如果说在公司出门抽烟，这个任务就交给别人处理了，这就不叫ONCALL了。

备份ONCALL的首要目的是把主要的ONCALL的人找回来。  

·         运维必须要处理线上问题，公司让你ONCALL发一份工资是让你赶紧解决问题的，不是让你修一个东西的。

老板说让你紧急处理一下，你打开浏览器看了一下说代码可以重新改一下，改完代码CI系统又坏了，去修修CI，老板很生气，你一天了没有干任何事，他真正想让你干的就是把现场问题解决了。

解决现场问题的能力非常关键，你要有一个好的想法，马上实施，马上解决问题，这才是最关键的。

·         最后，我们每周会有一次例会，其实就是把这一周收到的所有报警信息大家一起过一下，每一个信息当时是怎么处理的，有没有更好的处理方案。

你要问为什么，这个问为什么是一位咨询专家提出的，你要问5次大概就问到点了，你找到Root  cause，做一些防范工作，这样报警的次数会变少。

SRE把运维事情当成一种开发，当成一种修Bug，目的就是把线上的Bug都吃掉。

实战演习需要演习，需要学习，我们会做Operation  Readiness  Drill，每两周组织全组人的演习，待的时间比较长的人给新来的人出一个题。

假如说网站现在都访问不了，该怎么解决？

这个人拿出笔记本，就在全组人的目光之下，去尝试修复这个问题。

这个问题一般是比较普遍的问题，基本上你要去分析这个问题是为什么发生，怎么解决，跟大家讨论。但是这个过程是非常有意义的，处理过这类问题的人，可以看到不同的新的处理方式，没有处理过这类问题的人可以学习。

所以，我们会针对各种各样不同的报警去做这种演习。

场景演练，每两周选出一两个人进行场景演练，每半年公司都会组织一次大型的场景演练，那半个月的时间公司说我们新的业务开发可以稍微等一等，全公司各个部门一起来做实战演习。

当具体做的时候是每个部门自己做，想出来要做什么样的演习，怎么执行。从公司的层面，这两周时间就去做这个事情，我们来支持你们。

Google做演习是假如总部停电了，怎么办？

如果一个网站每天都需要你不停地去看，一个关键组件只有一个人能管了，如果人突然感冒发烧拉肚子，没有看报警，难道整个网站就不运行了吗？

通过不断的实践演练和演习，最后才能做好ONCALL，才能真正满足你的要求。

SRE最好的一个传统就是针对每一次大事故，我们都会做一次事后总结。

这个事后总结虽然是领导要求的，但是实际上领导们是有一条硬性规定，不能按照事后总结的内容发奖金，这是很关键的。

事后总结的目标是把整个事件的流程和经历的事情、 什么问题写下来。

Capture  the  facts，什么时间到什么时间网站是不可用的，你从中学到了什么，你要做什么。

每次大事故都会组织这样的人去分享，这个文档是非常好的，是我们SRE团队之间互相学习的一个主要渠道。

所以，背锅实际上要背得正确才行，很多是SRE擅长写事后总结，写完之后让你觉得原来他对这个系统这么了解，这个锅实在是背得太好了！

背锅不一定是坏事，如果背锅不罚钱是最好的，你一定要说你背了这次锅，一定要保证别人不会再背这次锅。

SRE最推崇这一点，如果你能够把一个事件吃透，你可以在公司之内给别人做演讲，做培训。

过载的问题很难解决，但是我们SRE在某一次事故中发现了这个问题，他做了非常详细的事后总结，搞出一套新的方案，推动了整个公司前端服务架构的一个演进。

所以，这是运维的最高层次，你什么也不干，就坐在那里挑开发写出来的毛病，你设计出新的方案，推进到全公司。

最后跟大家分享一点，怎么样解决这个问题才算真的解决了，我们一定要把它解决到以后再也没有人需要关注这个问题、再也不用解决。

如果说这个东西两三天坏一次，需要重启。你的解决方案是重启，对不起，这不叫解决问题，这只是叫处理问题，你只是把它处理一下，隔两天还要重启。

真正解决问题的方案是找到原因，去把它真正解决掉，这才是所有运维或者SRE主要干的事情。

我们曾经有一个具体案例，公司聘了一个五六十岁的老头儿，他是一个学术专家，每天上班之后也不做什么事，每天喝喝茶，看看报纸，翻翻图表。

我们都不知道他干什么，突然有一天跑过来他跟我们说，他看了公司的很多监控，发现大概每隔一百毫秒图表就会波动，他就去查这个问题。

公司调了很多资源来处理这个波动，他看到了这个问题，他怎么做的呢？他发现这个问题，就去各个部门问在什么情况下会出现这个问题。

他花了大半年的时间查到了，他自己最后总结，他这一项给公司挣回了十年的工资。

我们还曾经帮英特尔修过一次CPU，它做大规模的计算，加密运算，AES，在几百万分之一的情况下会写出一个错误。

我们的SRE在运维这个系统的时候发现为什么每个月都会产生一些错误数据，一开始觉得是我们自己程序写的错误，后来没有找到。

后来到某种CPU，发现这种CPU执行就会出现措施，证实确实是如此。后来，他就找到了英特尔，英特尔给了我们一个内部的小册子，这个册子是全公司只有几个人才能拿到的，CPU不是每一个执行起来都不是一样的耗电量。

这个人后来帮助英特尔解决了这个问题，最后英特尔发了一个新的微内核，我们应用上去。

其实这个问题，很多团队其实都遇到过各种各样形式的问题，这个人从业务出发，一直推动了技术架构的更新，以后推动了英特尔，在整个业内都造成了一定的影响。

这就是SRE比较成功的地方。

我跟大家分享一个图，这个图是一个七级的图表。

灾难分类，你可以回想一下，运维同学曾经遇到的灾难。最差的灾难，一个东西坏了，坏得最彻底，不光是把新数据丢了，老数据也都删了。

再往上是只丢新数据，不丢老数据。再往上是压根不坏，虽然出问题，但是不会停止提供服务，还可以操作，还可以继续运行。

从一到七实际上是一个级别，大家可以拿这个图对比一下自己的系统处于哪个级别。

如果所有的系统都能够拿到第七级，就算出一个灾难，出一个问题，也可以很快地恢复，不影响质量，这个时候运维才算是真正把自己的工作做好。

  

今天就到这里，谢谢大家！（孙宇聪原创）