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。

全书导读

本书是 Google SRE 系列的第二本,英文原名 *The Site Reliability Workbook: Practical Ways to Implement SRE*(O’Reilly 2018),由 Betsy Beyer、Niall Richard Murphy、David K. Rensin、Kent Kawahara、Stephen Thorne 编。本笔记依据的是 GitHub 社区项目 redbearder/The-Site-Reliability-Workbook-CHS 的中文译本(机器辅助翻译后人工整理)。它不是第一本《SRE:Google 运维解密》的新版,而是一本实施伴侣:每章对应第一本书的相应主题,补上“原则怎样在我的团队里落地”的细节,并加入 Evernote、家得宝、纽约时报、Spotify、Waze、宝可梦 GO 等 Google 以外的案例,用来回应“SRE 只适用于 Google 规模和文化”的质疑。

全书分三部分:基础(第2–7章:SLO、监控、基于 SLO 的告警、琐事、简单性)、实践(第8–16章:值班、事件响应、事后总结、负载管理、非抽象大型系统设计、数据管道、配置、金丝雀发布)、流程(第17–21章:过载、SRE 参与模式、与客户一起做 SRE、团队生命周期、组织变更管理),首尾是与 DevOps 关系的第1章和总结,最后的三个附录给出可直接套用的 SLO 文档、错误预算政策和中断原因统计。

阅读时要注意译文质量:社区译本有不少机器翻译痕迹,个别句子意思颠倒(如第14章“重点放在技术性细节上”、第18章把 GA 译作“Google Analytics”、附录B 的“SLO小姐政策”)。卡片按上下文和英文原版理解,在正文中注明了校正,引文保留中文原样。

全书主线

全书围绕一条线展开:用 SLO 和错误预算把“可靠性”变成可以测量、可以协商、可以据此做决定的东西,再用工程手段削减实现它所需的人工。

  1. SLO 是一切的起点:100% 是错误的目标,SLI 是好事件的比例,错误预算政策要让产品、开发、SRE 三方认可,并据此安排工作和告警(第2–5章);
  2. SRE 的时间要留给工程:琐事有边界并持续削减,运维约占三成、项目约占七成,系统要端到端地保持简单(第6–8章);
  3. 大多数中断来自变更:二进制和配置推送占了约 68% 的中断触发(附录C),所以配置要以用户为中心并安全应用,发布要用金丝雀,数据管道也要分阶段上线(第13–16章);
  4. 事故是学习的机会:用 3C 和明确的角色管理事件,优先采取通用缓解措施,写无责、有行动项的事后总结(第9–10章);
  5. SRE 是一种组织形态:要能调节自己的工作量,关注感知过载和心理安全,在服务的整个生命周期里与开发伙伴共享目标,必要时交还服务;平台方还要和客户一起做 SRE(第17–21章)。

前言 I

Mark Burgess 从“承诺”的角度看 SRE:明确设定服务目标,按指标和预算持续评估,快速响应以兑现承诺。他指出自动化并没有消灭人,规模越大人的因素越重要。Andrew Clay Shafer 的前言一起归入可靠性是做到的不是读到的。

原书依据 · 1 处

前言 II

Andrew Clay Shafer 回顾了 DevOps 的由来,认为 SRE 是 DevOps 理念最先进的实现之一。他的落点是“学习就是改变行为”:读完书却没有改变做法,就不算学到,见可靠性是做到的不是读到的。

原书依据 · 1 处

序言

编者说明了第二本书的两个目标:补上实施细节,并打破“只有 Google 规模和文化才能做 SRE”的看法。本书与第一本对照阅读,见本书是把原则落地的伴侣。

原书依据 · 1 处

第1章 SRE如何与DevOps相关

本章先归纳DevOps的五个关键思想,再列出SRE的核心原则,并讨论共享所有权与统一工具。结论是 SRE 可以看作 DevOps 的一种具体实现:SRE与DevOps的异同。最后给出成功采用的组织条件。

原书依据 · 5 处

第一部分 基础

第一部分(第2–7章)讲 SRE 的地基:SLO、监控、告警、减少琐事和简化。这些基础打好了,后面的实践才能展开。

原书依据 · 10 处

第3章 SLO工程案例研究

两个外部案例:Evernote从可用性起步,并在上云后与云厂商共享同一SLO;家得宝则推出家得宝的VALET框架,最终自动化让SLO一年铺开。

原书依据 · 4 处
原书依据 · 4 处

第5章 基于SLO发出警报

本章用告警策略的四个衡量维度逐一比较六种告警方案,推荐多窗口多消耗率告警,并讨论低流量与极端目标的告警。

原书依据 · 3 处

第6章 消除琐事工作

本章先说明琐事的特征与根因修复,再教如何度量琐事并识别来源,给出减少琐事的通用策略。两个案例分别是数据中心维修自动化和退役文件服务器主目录。

原书依据 · 5 处

第7章 简单化

本章主张简单性要端到端追求,并且简化是一项要庆祝的功能。

原书依据 · 2 处

第二部分 实践

第二部分(第8–16章)在基础之上讨论大规模运维的具体活动。其中数据管道和负载管理并不适用于所有组织;而安全地处理变更、值班、事件处理这几项,对任何 SRE 团队都有用。本部分还介绍了非抽象大型系统设计(NALSD)。部分概览先界定了运维与项目时间三七开。

原书依据 · 1 处
原书依据 · 6 处
原书依据 · 5 处

第10章 事后总结文化:从失败中学习

本章用一次真实事故(空列表被当成不过滤)做对照,先展示坏的事后总结长什么样,再改写出好的事后总结的特征,最后讨论如何让事后总结文化可持续。

原书依据 · 4 处
原书依据 · 4 处

第12章 介绍非抽象大型系统设计

本章定义非抽象大型系统设计,以日志关联服务为例,先做单机方案的数量级估算,再推进到分片复制与跨数据中心共识。

原书依据 · 3 处
原书依据 · 9 处

第14章 配置设计和最佳实践

本章把配置是修改系统的人机界面作为出发点,主张配置应以用户为中心,必要时用可选覆盖逃离简单。机制上要求配置界面与配置数据分离,变更时要做到安全应用配置变更。

原书依据 · 5 处
原书依据 · 6 处
原书依据 · 6 处

第三部分 流程

第三部分(第17–21章)把 SRE 当作一种需要一致流程的文化来讨论:管理运维和开发工作、从过载中恢复、与开发伙伴和客户的关系、组织变更管理。它主要写给 SRE 负责人,帮助他们为团队营造实施第二部分实践的空间。

第17章 识别过载并从中恢复

本章先区分运维过载与感知过载。两个案例分别是两天清空数月积压,以及感知过载侵蚀心理安全,后者的恢复办法是先静音告警再逐个修复。通用策略见识别并缓解团队过载。

原书依据 · 5 处

第18章 SRE参与模型

本章说明SRE参与贯穿服务生命周期。建立关系时,SRE 的承诺是支持你尽快安全发布,外部案例见纽约时报的共享目标模型。日常要维持与开发团队的关系。规模变大后需要扩展SRE与结束参与。

原书依据 · 5 处

第19章 SRE:超越自己

本章从可靠性由用户决定推出平台方必须和客户一起做 SRE,给出与客户共建SLO的五步,并要求有原则地选择深度合作客户。

原书依据 · 3 处

第20章 SRE团队生命周期

本章围绕三条原则给出 SRE 组织的成长路线:没有SRE也能起步SRE,接着按塔克曼模型讨论组建首个SRE团队的风险,再到成熟SRE团队自主定工作量。扩张阶段讲双地姐妹团队的布局,管理多个团队时,资金上的原则是SRE应少于组织想要的数量。

原书依据 · 5 处

第21章 SRE中的组织变革管理

本章先介绍变更管理模型与SRE。Waze 的案例用 Kotter 模型回看:Waze替换濒临崩溃的消息队列,下一轮的经验是增量变革胜过一步到位。Google 内部收敛工具的案例用 ADKAR 模型解读,结论是通用工具的第一指标是采用。

原书依据 · 4 处

总结

编者展望了大企业和小公司采用 SRE 的情况,以及 SRE 与安全等其他学科的结合,落点是SRE属于所有人。

原书依据 · 1 处

附录A SLO文档示例

一份完整的示例游戏服务 SLO 文档,结构与取值见SLO文档示例要素,可与第2章的错误预算政策对照阅读。

原书依据 · 2 处

附录B 错误预算政策示例

与附录A配套的政策文本,包括冻结条件、例外情形、事后总结阈值和升级路径,见错误预算政策示例。

原书依据 · 1 处

附录C 事后分析的结果

Google 2010–2017 年事后总结的统计说明68%的中断由推送触发,这为第14–16章强调安全变更提供了数据依据(参见发布工程与功能开关)。

原书依据 · 2 处
生成进度与管理记录

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。