来源书籍

谷歌站点可靠性工作手册

Skill 版本:v23 站点可靠性工程实践类 经典原理(高信息浓度 + 高稳定性) 109 张卡片

Betsy Beyer、Niall Richard Murphy、David K. Rensin、Kent Kawahara、Stephen Thorne 编(社区中文译本) · redbearder/The-Site-Reliability-Workbook-CHS 社区译者 译 · O'Reilly(原版) · 2018 · ISBN 9781492029502

类别清单覆盖

尚未完成类别清单核对。

章节与卡片

00 前言 II

1 张卡片
  1. 可靠性是做到的不是读到的 理解等级:初级 普通读书笔记卡

00 序言

1 张卡片
  1. 本书是把原则落地的伴侣 理解等级:初级 普通读书笔记卡

01 第1章 SRE如何与DevOps相关

5 张卡片
  1. DevOps的五个关键思想 理解等级:初级 普通读书笔记卡
  2. SRE的核心原则 理解等级:中级 普通读书笔记卡
  3. 共享所有权与统一工具 理解等级:中级 普通读书笔记卡
  4. SRE与DevOps的异同 理解等级:中级 普通读书笔记卡
  5. 成功采用的组织条件 理解等级:中级 普通读书笔记卡

02 第2章 实施SLO

9 张卡片
  1. 100%可靠性是错误目标 理解等级:初级 普通读书笔记卡
  2. SLI是好事件的比例 理解等级:中级 普通读书笔记卡
  3. 按组件类型挑选SLI 理解等级:中级 普通读书笔记卡
  4. 从实测数据得出起始SLO 理解等级:中级 普通读书笔记卡
  5. 四周滚动窗口最通用 理解等级:中级 普通读书笔记卡
  6. 错误预算政策要三方认可 理解等级:中级 普通读书笔记卡
  7. 持续校准SLO与真实不满 理解等级:中级 普通读书笔记卡
  8. 用错误预算排定工作 理解等级:中级 普通读书笔记卡
  9. 依赖可靠性不能简单相乘 理解等级:高级 普通读书笔记卡

03 第3章 SLO工程案例研究

4 张卡片
  1. Evernote从可用性起步 理解等级:中级 普通读书笔记卡
  2. 与云厂商共享同一SLO 理解等级:中级 普通读书笔记卡
  3. 家得宝的VALET框架 理解等级:中级 普通读书笔记卡
  4. 自动化让SLO一年铺开 理解等级:中级 普通读书笔记卡

04 第4章 监控

4 张卡片
  1. 挑选监控系统看四方面 理解等级:中级 普通读书笔记卡
  2. 指标告警,日志查因 理解等级:中级 普通读书笔记卡
  3. 监控配置即代码且松耦合 理解等级:中级 普通读书笔记卡
  4. 有目的的指标与告警测试 理解等级:中级 普通读书笔记卡

05 第5章 基于SLO发出警报

3 张卡片
  1. 告警策略的四个衡量维度 理解等级:中级 普通读书笔记卡
  2. 多窗口多消耗率告警 理解等级:高级 普通读书笔记卡
  3. 低流量与极端目标的告警 理解等级:高级 普通读书笔记卡

06 第6章 消除琐事工作

5 张卡片
  1. 琐事的特征与根因修复 理解等级:初级 普通读书笔记卡
  2. 度量琐事并识别来源 理解等级:中级 普通读书笔记卡
  3. 减少琐事的通用策略 理解等级:中级 普通读书笔记卡
  4. 数据中心维修自动化 理解等级:高级 普通读书笔记卡
  5. 退役文件服务器主目录 理解等级:中级 普通读书笔记卡

07 第7章 简单化

2 张卡片
  1. 简单性要端到端追求 理解等级:中级 普通读书笔记卡
  2. 简化是一项要庆祝的功能 理解等级:中级 普通读书笔记卡

08 第8章 值班

7 张卡片
  1. 运维与项目时间三七开 理解等级:初级 普通读书笔记卡
  2. 值班的基本原则 理解等级:初级 普通读书笔记卡
  3. 剧本与Evernote的值班 理解等级:中级 普通读书笔记卡
  4. 呼叫负载的三类输入 理解等级:中级 普通读书笔记卡
  5. 缩短识别与缓解延迟 理解等级:中级 普通读书笔记卡
  6. 告警纪律与系统性跟进 理解等级:中级 普通读书笔记卡
  7. 值班要可持续且灵活 理解等级:中级 普通读书笔记卡

09 第9章 事件响应

5 张卡片
  1. 事件管理的3C与角色 理解等级:初级 普通读书笔记卡
  2. 尽早宣布事件 理解等级:中级 普通读书笔记卡
  3. 通用缓解优先于查明根因 理解等级:高级 普通读书笔记卡
  4. 雷击与PagerDuty的实践 理解等级:中级 普通读书笔记卡
  5. 事件管理要提前准备与演练 理解等级:中级 普通读书笔记卡

10 第10章 事后总结文化:从失败中学习

4 张卡片
  1. 空列表被当成不过滤 理解等级:高级 普通读书笔记卡
  2. 坏的事后总结长什么样 理解等级:中级 普通读书笔记卡
  3. 好的事后总结的特征 理解等级:中级 普通读书笔记卡
  4. 让事后总结文化可持续 理解等级:中级 普通读书笔记卡

11 第11章 管理负载

4 张卡片
  1. 稳定任播与分层负载均衡 理解等级:高级 普通读书笔记卡
  2. 宝可梦GO的同步重试风暴 理解等级:高级 普通读书笔记卡
  3. 自动扩缩容要设边界 理解等级:中级 普通读书笔记卡
  4. 负载管理工具会互相干扰 理解等级:高级 普通读书笔记卡

12 第12章 介绍非抽象大型系统设计

3 张卡片
  1. 非抽象大型系统设计 理解等级:中级 普通读书笔记卡
  2. 单机方案的数量级估算 理解等级:中级 普通读书笔记卡
  3. 分片复制与跨数据中心共识 理解等级:高级 普通读书笔记卡

13 第13章 数据处理管道

9 张卡片
  1. 管道的类型与ML管道排障 理解等级:初级 普通读书笔记卡
  2. 管道SLO要端到端衡量 理解等级:中级 普通读书笔记卡
  3. 为依赖失败做计划并写文档 理解等级:中级 普通读书笔记卡
  4. 管道的金丝雀与部分部署 理解等级:中级 普通读书笔记卡
  5. 热点、容量与访问控制 理解等级:中级 普通读书笔记卡
  6. 幂等变更与管道成熟度 理解等级:高级 普通读书笔记卡
  7. 陈旧数据好过错误数据 理解等级:中级 普通读书笔记卡
  8. Spotify事件交付的SLO 理解等级:中级 普通读书笔记卡
  9. Spotify的运维与支持 理解等级:中级 普通读书笔记卡

14 第14章 配置设计和最佳实践

5 张卡片
  1. 配置是修改系统的人机界面 理解等级:初级 普通读书笔记卡
  2. 配置应以用户为中心 理解等级:中级 普通读书笔记卡
  3. 用可选覆盖逃离简单 理解等级:中级 普通读书笔记卡
  4. 配置界面与配置数据分离 理解等级:中级 普通读书笔记卡
  5. 安全应用配置变更 理解等级:初级 普通读书笔记卡

15 第15章 配置细节

6 张卡片
  1. 配置琐事:重复与复杂 理解等级:中级 普通读书笔记卡
  2. 配置语言的五个陷阱 理解等级:高级 普通读书笔记卡
  3. Jsonnet模板消除重复 理解等级:中级 普通读书笔记卡
  4. 自研应用的配置数据设计 理解等级:高级 普通读书笔记卡
  5. 配置何时求值:早中晚 理解等级:高级 普通读书笔记卡
  6. 不可信配置要放进沙箱 理解等级:中级 普通读书笔记卡

16 第16章 金丝雀发布

6 张卡片
  1. 发布工程原则与功能开关 理解等级:初级 普通读书笔记卡
  2. 金丝雀就是AB对照比较 理解等级:初级 普通读书笔记卡
  3. 金丝雀的错误预算与规模 理解等级:中级 普通读书笔记卡
  4. 金丝雀指标要能指示问题 理解等级:高级 普通读书笔记卡
  5. 前后对比与渐进金丝雀 理解等级:高级 普通读书笔记卡
  6. 蓝绿、合成负载与流量复制 理解等级:中级 普通读书笔记卡

17 第17章 识别过载并从中恢复

5 张卡片
  1. 运维过载与感知过载 理解等级:中级 普通读书笔记卡
  2. 两天清空数月积压 理解等级:中级 普通读书笔记卡
  3. 感知过载侵蚀心理安全 理解等级:高级 普通读书笔记卡
  4. 先静音告警再逐个修复 理解等级:中级 普通读书笔记卡
  5. 识别并缓解团队过载 理解等级:中级 普通读书笔记卡

18 第18章 SRE参与模型

5 张卡片
  1. SRE参与贯穿服务生命周期 理解等级:中级 普通读书笔记卡
  2. 支持你尽快安全发布 理解等级:中级 普通读书笔记卡
  3. 纽约时报的共享目标模型 理解等级:中级 普通读书笔记卡
  4. 维持与开发团队的关系 理解等级:中级 普通读书笔记卡
  5. 扩展SRE与结束参与 理解等级:高级 普通读书笔记卡

19 第19章 SRE:超越自己

3 张卡片
  1. 可靠性由用户决定 理解等级:中级 普通读书笔记卡
  2. 与客户共建SLO的五步 理解等级:高级 普通读书笔记卡
  3. 有原则地选择深度合作客户 理解等级:中级 普通读书笔记卡

20 第20章 SRE团队生命周期

5 张卡片
  1. 没有SRE也能起步SRE 理解等级:中级 普通读书笔记卡
  2. 组建首个SRE团队的风险 理解等级:高级 普通读书笔记卡
  3. 成熟SRE团队自主定工作量 理解等级:高级 普通读书笔记卡
  4. 双地姐妹团队的布局 理解等级:中级 普通读书笔记卡
  5. SRE应少于组织想要的数量 理解等级:中级 普通读书笔记卡

21 第21章 SRE中的组织变革管理

4 张卡片
  1. 变更管理模型与SRE 理解等级:中级 普通读书笔记卡
  2. Waze替换濒临崩溃的消息队列 理解等级:高级 普通读书笔记卡
  3. 增量变革胜过一步到位 理解等级:高级 普通读书笔记卡
  4. 通用工具的第一指标是采用 理解等级:高级 普通读书笔记卡

22 总结

1 张卡片
  1. SRE属于所有人 理解等级:初级 普通读书笔记卡

23 附录A SLO文档示例

1 张卡片
  1. SLO文档示例要素 理解等级:中级 操作参考卡

24 附录B 错误预算政策示例

1 张卡片
  1. 错误预算政策示例 理解等级:中级 操作参考卡

25 附录C 事后分析的结果

1 张卡片
  1. 68%的中断由推送触发 理解等级:中级 普通读书笔记卡

全书概览

谷歌站点可靠性工作手册

Skill 版本:v23

  • 本次实际使用规则:book-notes v23 / book-workflow v4(2026-10-24 轻量模式首次完整生成);2026-09-27 旧版 v8 的来源预检与待确认项 SREWB-CONF-001 保留在 _workflow.md。

作者:Betsy Beyer、Niall Richard Murphy、David K. Rensin、Kent Kawahara、Stephen Thorne 编;原书 *The Site Reliability Workbook: Practical Ways to Implement SRE*,O’Reilly 2018,ISBN 9781492029502。本地 EPUB 为 GitHub 社区项目 redbearder/The-Site-Reliability-Workbook-CHS 的中文译本(OPF creator 字段错填为书名,不据此推断作者)。

执行模式:light

建档进度:done

整书笔记:_book_note.md(schema 1;SHA-256 2178c80a495365b4a5fd161da2cae394efe7f17a163a984d2405962e95746848)

整体评级

四象限结论:经典原理(高信息浓度 + 高稳定性)

评级理由:

信息浓度高:每章都把第一本书的原则落到具体做法上,并说明取舍。例如 SLI 的定义与按组件选择、六种告警方案的逐项比较与多窗口多消耗率告警、琐事的度量、值班负载的三类输入、事后总结好坏对照、NALSD 的数量级估算、数据管道的端到端 SLO 与“陈旧数据好过错误数据”、配置的以用户为中心与封闭求值、金丝雀的错误预算与指标选择、感知过载与心理安全、团队自我调节工作量。书中还有 Evernote、家得宝、纽约时报、Spotify、Waze 等外部案例和三份可套用的附录。

稳定性高:SLO 与错误预算、减少琐事、渐进发布、无责事后总结、组织变更这些原理不依赖具体工具,五到十年后仍然适用。局限在于部分示例绑定 2018 年前后的具体产品(Jsonnet/ksonnet、Spinnaker、GCP 服务、App Engine),卡片只保留可迁移的做法。

类别:站点可靠性工程实践类(SLO、运维与组织流程)

版本说明:社区机器辅助译本质量参差,个别句子意思颠倒。按工作流记录 SREWB-CONF-001 方案 A 处理:保留中文原文摘录及位置,按上下文和官方英文版(sre.google/workbook)理解,在卡片中注明校正,不覆盖源文件。已标注的校正包括:第1章开篇确实存在运维难题、过窄的激励损害成效、大量服务并不需要 SRE 支持、统一工具段的限定;第2章“5XX 计为失败”;第5章精确率定义;第14章本章主要讲配置哲学;第18章“Google Analytics”实为 GA(全面可用);第20章“公共要素”实为巴士因子;附录B“SLO小姐政策”即 SLO 未达标政策。每张卡末尾都附有译文提示。部分导言位于各部分首章文件开头,已作为覆盖单元记录;三个部分扉页只含链接。

章节进度追踪表

章节号 章节标题 状态(pending/done) 卡片数
00 前言与序言 done 2
01 第1章 SRE如何与DevOps相关 done 5
02 第2章 实施SLO done 9
03 第3章 SLO工程案例研究 done 4
04 第4章 监控 done 4
05 第5章 基于SLO发出警报 done 3
06 第6章 消除琐事工作 done 5
07 第7章 简单化 done 2
08 第8章 值班 done 7
09 第9章 事件响应 done 5
10 第10章 事后总结文化:从失败中学习 done 4
11 第11章 管理负载 done 4
12 第12章 介绍非抽象大型系统设计 done 3
13 第13章 数据处理管道 done 9
14 第14章 配置设计和最佳实践 done 5
15 第15章 配置细节 done 6
16 第16章 金丝雀发布 done 6
17 第17章 识别过载并从中恢复 done 5
18 第18章 SRE参与模型 done 5
19 第19章 SRE:超越自己 done 3
20 第20章 SRE团队生命周期 done 5
21 第21章 SRE中的组织变革管理 done 4
22 总结 done 1
23 附录A SLO文档示例 done 1
24 附录B 错误预算政策示例 done 1
25 附录C 事后分析的结果 done 1
附-扉页 三个部分的扉页与关于编辑 done 0

非正文排除

spine项 类型 排除理由
0 / OEBPS/Text/00.html 首页 译本项目说明与原书链接,已用于本概览的来源信息
1 / OEBPS/Text/01.html 目录 只有章节目录链接

待关联术语

术语名 出现章节 一句话语境
HOCON、Flabbergast、Dhall 15 与 Jsonnet 并列推荐的现成配置 DSL,只提名
Helm、Spinnaker(作为配置求值方) 15 只能在服务器上运行时评估用户配置的部署管理守护进程,用来说明防滥用
Gertrude、Feature、PlanOut 16 把功能上线与二进制发布分开的功能开关/实验框架,只提名
Datamon 13 Spotify 测量事件交付 SLO 的独立外部系统,只提名
Project Aristotle 17 团队建设练习所依据的 Google 团队有效性研究,只提名
DevSecOps 总结 开发、安全、运维相互依赖的市场说法,作为待探索方向提及
峰终定律 19 用户凭体验峰值记住你的不稳定,中文本译作“峰值规则”,未展开
Viceroy 21 Google SRE 统一监控仪表板框架,细节见第一本书

引用文献

标题 类型 出现章节 一句话语境
Site Reliability Engineering(Beyer 等,2016) 图书 全书 本书的前作,各章与其对应阅读
Continuous Delivery(Jez Humble、David Farley,2011) 图书 16 发布工程自动化的参考
Leading Change(John P. Kotter,1996) 图书 21 八步变革流程,用来回看 Waze 案例
Developmental Sequence in Small Groups(Bruce Tuckman,1965) 论文 20 组建—震荡—规范—表现的团队阶段模型
Job Demands, Job Decision Latitude, and Mental Strain(Robert Karasek,1979) 论文 17 工作控制权可以减轻压力
The Human Factor(Kim Vicente,2006) 图书 14 早期飞机界面导致事故,类比配置界面
Do Defaults Save Lives?(Johnson、Goldstein) 论文 14 器官捐献默认选项的影响,说明默认值的责任
Canary Analysis Service(ACM Queue) 文章 14 减少必答问题的配置设计实例
On Death and Dying(Elisabeth Kübler-Ross,1969) 图书 21 变化曲线的来源
Empirical Model-Building and Response Surfaces(Box、Draper,1987) 图书 16 “所有模型都是错的,但有些是有用的”
Why SRE Documents Matter(Nukala、Rau,ACM Queue 2018) 文章 20 SRE 文档的重要性

实践卡进度

序号 实践标题 实践方式 状态(pending/done) 关联章节 产出
001 为一个Go服务写SLO文档与错误预算政策 真实任务 done 第2章、附录A、附录B ideas/idea-001-为一个Go服务写SLO文档与错误预算政策.md(文档草案与评审计划,未执行)
002 统计近一年事故的触发因素 决策实践 done 附录C、第14–16章 ideas/idea-002-统计近一年事故的触发因素.md(分类汇总与改进建议计划,未执行)

实践候选筛选:done

未采用的候选有三个:一是把告警改成多窗口多消耗率告警,前提是先有 SLO,已并入实践 001 的后续;二是用 Jsonnet 重写部署配置,现有配置规模没到复杂琐事的程度,第15章也说明系统不复杂时不需要配置语言;三是组建跨地姐妹团队,这属于组织决策,超出个人可执行范围。

资金安全问题案例

本书没有符合判据的案例。第13章提到计费管道的正确性错误可能多收或少收客户的钱,也讨论了幂等变更;但前者只用来说明正确性 SLO 的重要性,后者是通用的数据重处理原则,都没有描述并发竞态、事务隔离或重复入账的具体场景和根因。第16章“对计费系统施加人工负载可能真的向客户收费”属于测试流量的风险,不是并发或幂等缺陷。因此不登记。

相关主题

从本书的主题进入跨书阅读,对照其他书籍的讲解。下方数量包含主题关联的全部卡片与书籍。

暂无公开主题。