来源书籍

SRE:Google运维解密

Skill 版本:v24 CI/CD 与 DevOps 实践类 经典原理(最高级别)——主体内容属于奠定 SRE 学科基础的原理性论述,少量工程实现 381 张卡片

Betsy Beyer、Chris Jones、Jennifer Petoff、Niall Richard Murphy(编) · 孙宇聪 译 · 电子工业出版社 · 2016-09 · ISBN 9787121297267

类别清单覆盖

6/6

已覆盖 6 补充生成 0 未覆盖 0

章节与卡片

00

4 张卡片
  1. 软件成本主要花在上线之后 理解等级:初级 普通读书笔记卡
  2. SRE名称的三层含义 理解等级:初级 普通读书笔记卡
  3. 可靠性的概率定义 理解等级:初级 普通读书笔记卡
  4. 小概率人为失误也要防住 理解等级:中级 普通读书笔记卡

00 具体实践

1 张卡片
  1. 服务可靠度层级模型 理解等级:中级 结构图卡

01 介绍

2 张卡片
  1. Dev/Ops矛盾的组织根源 理解等级:未标注 普通读书笔记卡
  2. SRE的人员构成与50%规则 理解等级:未标注 普通读书笔记卡

01 第1章 介绍

2 张卡片
  1. 错误预算的本质 理解等级:未标注 普通读书笔记卡
  2. 监控只应产生三类输出 理解等级:未标注 普通读书笔记卡

01 介绍

1 张卡片
  1. 运维手册把MTTR降到三分之一 理解等级:未标注 普通读书笔记卡

01 第1章 介绍

8 张卡片
  1. 传统运维人力随负载线性增长 理解等级:中级 普通读书笔记卡
  2. DevOps与SRE的关系 理解等级:初级 普通读书笔记卡
  3. 每班最多处理两个紧急事件 理解等级:中级 普通读书笔记卡
  4. 可靠性目标是产品决策 理解等级:中级 普通读书笔记卡
  5. 变更管理的三项自动化 理解等级:中级 普通读书笔记卡
  6. 容量规划的三个必需步骤 理解等级:中级 普通读书笔记卡
  7. 资源部署是高危变更 理解等级:中级 普通读书笔记卡
  8. 延迟升高等于容量损失 理解等级:中级 普通读书笔记卡

02 Google 生产环境:SRE视角

3 张卡片
  1. N+2冗余容量规划逻辑 理解等级:未标注 普通读书笔记卡
  2. 故障域隔离的调度原则 理解等级:未标注 普通读书笔记卡
  3. 物理与逻辑服务器解耦的调度自由度 理解等级:未标注 普通读书笔记卡

02 第2章 Google 生产环境:SRE视角

10 张卡片
  1. 硬件故障是常态需软件隔离 理解等级:初级 普通读书笔记卡
  2. 慢速重启胜过持续泄漏 理解等级:中级 普通读书笔记卡
  3. 集中控制器替代智能路由器 理解等级:中级 普通读书笔记卡
  4. 全局负载均衡的三个层面 理解等级:中级 普通读书笔记卡
  5. 分布式锁服务承担主选举 理解等级:中级 普通读书笔记卡
  6. 监控数据的三种用途 理解等级:初级 普通读书笔记卡
  7. Protobuf比XML更紧凑 理解等级:初级 普通读书笔记卡
  8. 提交即运行受影响的测试 理解等级:中级 普通读书笔记卡
  9. 集群存储的分层结构 理解等级:初级 普通读书笔记卡
  10. 低频更新可接受最终一致 理解等级:中级 普通读书笔记卡

03 拥抱风险

4 张卡片
  1. 可靠性投入的成本非线性递增 理解等级:未标注 普通读书笔记卡
  2. 故障类型比故障数量更重要 理解等级:未标注 普通读书笔记卡
  3. 用背景误差率校准可靠性目标 理解等级:未标注 普通读书笔记卡
  4. 分层服务水平把成本选择权交给用户 理解等级:未标注 普通读书笔记卡

03 第3章 拥抱风险

7 张卡片
  1. 请求成功率也适用于批处理 理解等级:中级 普通读书笔记卡
  2. 可用性目标随市场定位而定 理解等级:中级 普通读书笔记卡
  3. 多一个9值多少钱 理解等级:中级 普通读书笔记卡
  4. 宽松延迟目标换取成本 理解等级:中级 普通读书笔记卡
  5. 入口层故障无法被掩盖 理解等级:中级 普通读书笔记卡
  6. 错误预算的运作流程 理解等级:中级 普通读书笔记卡
  7. 错误预算能暴露过高SLO 理解等级:高级 普通读书笔记卡

04 第4章 服务质量目标

1 张卡片
  1. SLI/SLO/SLA三层区分 理解等级:未标注 普通读书笔记卡

04 服务质量目标

3 张卡片
  1. 用百分位而非平均值衡量延迟 理解等级:未标注 普通读书笔记卡
  2. 过度可靠会制造危险的安全假象 理解等级:未标注 普通读书笔记卡
  3. 从目标反推指标而非从指标凑目标 理解等级:未标注 普通读书笔记卡

04 第4章 服务质量目标

8 张卡片
  1. 内外SLO之间留缓冲区 理解等级:未标注 普通读书笔记卡
  2. 按系统类型选择SLI 理解等级:中级 普通读书笔记卡
  3. 客户端指标补服务器盲区 理解等级:中级 普通读书笔记卡
  4. 汇总粒度会掩盖瞬时峰值 理解等级:中级 普通读书笔记卡
  5. 用SLI模板统一度量口径 理解等级:中级 普通读书笔记卡
  6. SLO要写清条件与分层 理解等级:中级 普通读书笔记卡
  7. 制定SLO的五条原则 理解等级:高级 普通读书笔记卡
  8. SLO驱动的运维控制回路 理解等级:中级 普通读书笔记卡

05 第5章 减少琐事

1 张卡片
  1. 琐事的六个判定特征 理解等级:中级 普通读书笔记卡

05 减少琐事

1 张卡片
  1. 轮值排班决定琐事占比下限 理解等级:未标注 普通读书笔记卡

05 第5章 减少琐事

5 张卡片
  1. 少量琐事无害,过量才是问题 理解等级:未标注 普通读书笔记卡
  2. 轻易接手琐事会开创坏先例 理解等级:未标注 普通读书笔记卡
  3. SRE工作的四种类型 理解等级:初级 普通读书笔记卡
  4. 琐事平均值掩盖个体差异 理解等级:中级 普通读书笔记卡
  5. 依赖判断的告警仍是琐事 理解等级:高级 普通读书笔记卡

06 分布式系统的监控

1 张卡片
  1. 现象与原因的区分是监控信噪比核心 理解等级:未标注 普通读书笔记卡

06 第6章 分布式系统的监控

1 张卡片
  1. 四个黄金指标 理解等级:未标注 普通读书笔记卡

06 分布式系统的监控

1 张卡片
  1. 黑盒白盒监控的互补边界 理解等级:未标注 普通读书笔记卡

06 第6章 分布式系统的监控

8 张卡片
  1. 好警报的四个必要条件 理解等级:未标注 普通读书笔记卡
  2. 短期忍受降级换长期修复 理解等级:未标注 普通读书笔记卡
  3. 一次故障可有多个根源问题 理解等级:初级 普通读书笔记卡
  4. 监控规则宁简单勿魔法 理解等级:高级 普通读书笔记卡
  5. 错误分为显式隐式与策略性 理解等级:中级 普通读书笔记卡
  6. 用指数分桶直方图看长尾 理解等级:中级 普通读书笔记卡
  7. 按需选择度量精度 理解等级:中级 普通读书笔记卡
  8. 监控配置要定期删减 理解等级:中级 普通读书笔记卡

07 Google 的自动化系统的演进

2 张卡片
  1. 自动化五阶段演进模型 理解等级:未标注 普通读书笔记卡
  2. 谁维护自动化决定自动化质量 理解等级:未标注 普通读书笔记卡

07 第7章 Google 的自动化系统的演进

1 张卡片
  1. 空列表被当作"全部"的自动化事故 理解等级:未标注 普通读书笔记卡

07 Google 的自动化系统的演进

2 张卡片
  1. 自动化会削弱人类的临场反应能力 理解等级:未标注 普通读书笔记卡
  2. 自动化的隐藏价值是操作与执行者解耦 理解等级:未标注 普通读书笔记卡

07 第7章 Google 的自动化系统的演进

9 张卡片
  1. 一致性是自动化的首要价值 理解等级:中级 普通读书笔记卡
  2. 部署抽象会泄漏中间状态 理解等级:高级 普通读书笔记卡
  3. 罕见执行的自动化最脆弱 理解等级:中级 普通读书笔记卡
  4. 用自动切换拥抱故障 理解等级:高级 普通读书笔记卡
  5. 测试配合幂等修复纠正配置 理解等级:中级 普通读书笔记卡
  6. 衡量自动化的三个维度 理解等级:中级 普通读书笔记卡
  7. 用审计RPC取代rootSSH 理解等级:中级 普通读书笔记卡
  8. 上线自动化按服务契约分派 理解等级:中级 普通读书笔记卡
  9. 规模够大就必须自愈 理解等级:高级 普通读书笔记卡

08 第8章 发布工程

11 张卡片
  1. 密闭构建保证可重现性 理解等级:未标注 普通读书笔记卡
  2. 高频发布反而降低单次发布风险 理解等级:未标注 普通读书笔记卡
  3. 发布工程应在项目早期介入 理解等级:未标注 普通读书笔记卡
  4. 发布操作按角色分权 理解等级:未标注 普通读书笔记卡
  5. 发布分支只接收摘樱桃 理解等级:未标注 普通读书笔记卡
  6. 发布流程由团队自助完成 理解等级:中级 普通读书笔记卡
  7. 二进制应能自报构建来源 理解等级:中级 普通读书笔记卡
  8. 发布分支上要重跑全部测试 理解等级:中级 普通读书笔记卡
  9. 用唯一标签标记发布阶段 理解等级:中级 普通读书笔记卡
  10. 部署节奏匹配风险承受力 理解等级:中级 普通读书笔记卡
  11. 配置分发的四种模型 理解等级:中级 普通读书笔记卡

09 第9章 简单化

2 张卡片
  1. 必要复杂度与意外复杂度 理解等级:未标注 普通读书笔记卡
  2. 死代码比活代码更危险 理解等级:未标注 普通读书笔记卡

09 简单化

2 张卡片
  1. 最小API是深刻理解问题的标志 理解等级:未标注 普通读书笔记卡
  2. 小批量发布类比梯度下降 理解等级:未标注 普通读书笔记卡

09 第9章 简单化

3 张卡片
  1. 乏味是生产软件的美德 理解等级:中级 普通读书笔记卡
  2. 探索性代码要设保质期 理解等级:初级 普通读书笔记卡
  3. 版本化API解耦更新节奏 理解等级:中级 普通读书笔记卡

10 基于时间序列数据进行有效报警

3 张卡片
  1. 计数器优于测量器的采集设计 理解等级:未标注 普通读书笔记卡
  2. 黑盒探针弥补白盒监控的盲区 理解等级:未标注 普通读书笔记卡
  3. 命运共享决定监控分组粒度 理解等级:未标注 普通读书笔记卡

10 第10章 基于时间序列数据进行有效报警

9 张卡片
  1. 大规模下不为单机报警 理解等级:中级 普通读书笔记卡
  2. 用时间序列规则取代探测脚本 理解等级:中级 普通读书笔记卡
  3. 低门槛埋点需配规则校验 理解等级:中级 普通读书笔记卡
  4. 抓取时生成合成指标 理解等级:中级 普通读书笔记卡
  5. 时间序列靠标签集合命名 理解等级:中级 普通读书笔记卡
  6. 逐级汇总算出错误比率 理解等级:中级 普通读书笔记卡
  7. 报警要设持续时间并合并 理解等级:中级 普通读书笔记卡
  8. 监控系统分层部署汇总 理解等级:中级 普通读书笔记卡
  9. 监控规则也要模板化测试 理解等级:中级 普通读书笔记卡

11 on-call轮值

2 张卡片
  1. SLO反推on-call响应时限 理解等级:未标注 普通读书笔记卡
  2. 压力下的"过度联想"与两种思维模式 理解等级:未标注 普通读书笔记卡

11 第11章 on-call轮值

1 张卡片
  1. 运维压力过低同样是风险 理解等级:未标注 普通读书笔记卡

11 on-call轮值

1 张卡片
  1. 事故与报警比例应接近1:1 理解等级:未标注 普通读书笔记卡

11 第11章 on-call轮值

4 张卡片
  1. 值班时间上限推出团队规模 理解等级:中级 普通读书笔记卡
  2. 每日报警中值应接近零 理解等级:高级 普通读书笔记卡
  3. 值班补贴设上限控制比例 理解等级:初级 普通读书笔记卡
  4. 运维过载时把报警交回研发 理解等级:高级 普通读书笔记卡

12 第12章 有效的故障排查手段

1 张卡片
  1. 假设-排除法的故障排查流程 理解等级:未标注 普通读书笔记卡

12 有效的故障排查手段

4 张卡片
  1. 先止血再溯源 理解等级:未标注 普通读书笔记卡
  2. 相关不等于因果的排障陷阱 理解等级:未标注 普通读书笔记卡
  3. 负面结果同样值得公布 理解等级:未标注 普通读书笔记卡
  4. "什么/哪里/为什么"三问定位资源消耗 理解等级:未标注 普通读书笔记卡

12 第12章 有效的故障排查手段

7 张卡片
  1. 排障的三类常见陷阱 理解等级:中级 普通读书笔记卡
  2. 每份故障报告都应成为Bug 理解等级:初级 普通读书笔记卡
  3. 日志要能动态调级与过滤 理解等级:中级 普通读书笔记卡
  4. 对分法逐层缩小故障范围 理解等级:中级 普通读书笔记卡
  5. 先查最后一次修改 理解等级:初级 普通读书笔记卡
  6. 设计排障测试的五个考量 理解等级:高级 普通读书笔记卡
  7. 全链路请求ID加速排障 理解等级:中级 普通读书笔记卡

13 紧急事件响应

2 张卡片
  1. 别慌且主动扩大求助范围 理解等级:未标注 普通读书笔记卡
  2. 未经测试的回滚等于没有回滚 理解等级:未标注 普通读书笔记卡

13 第13章 紧急事件响应

1 张卡片
  1. 低风险变更评估可能漏掉稀有参数组合 理解等级:未标注 普通读书笔记卡

13 紧急事件响应

1 张卡片
  1. 主动想象极端场景来测试韧性 理解等级:未标注 普通读书笔记卡

13 第13章 紧急事件响应

5 张卡片
  1. 带外通道须可靠且常演练 理解等级:中级 普通读书笔记卡
  2. 限速分发配置延缓崩溃 理解等级:中级 普通读书笔记卡
  3. 排障工具不能依赖故障系统 理解等级:高级 普通读书笔记卡
  4. 主动故障测试揭示隐藏依赖 理解等级:中级 普通读书笔记卡
  5. 大规模重建暴露恢复瓶颈 理解等级:高级 普通读书笔记卡

14 紧急事故管理

1 张卡片
  1. 明确职责分离带来自主行动的自由 理解等级:未标注 普通读书笔记卡

14 第14章 紧急事故管理

1 张卡片
  1. 未协调的善意帮忙比不作为更危险 理解等级:未标注 普通读书笔记卡

14 紧急事故管理

2 张卡片
  1. 宣布进入应急状态的三条触发标准 理解等级:未标注 普通读书笔记卡
  2. 应急能力靠日常小规模使用维持 理解等级:未标注 普通读书笔记卡

14 第14章 紧急事故管理

4 张卡片
  1. 主修人无暇顾及协调沟通 理解等级:中级 普通读书笔记卡
  2. 维护实时事故状态文档 理解等级:中级 普通读书笔记卡
  3. 总控交接须明确确认 理解等级:初级 普通读书笔记卡
  4. 事故管理的七条实践 理解等级:中级 普通读书笔记卡

15 事后总结:从失败中学习

2 张卡片
  1. 对事不对人为何能改善系统而非人 理解等级:未标注 普通读书笔记卡
  2. 事后总结的量化触发标准 理解等级:未标注 普通读书笔记卡

15 第15章 事后总结:从失败中学习

5 张卡片
  1. 未经评审的事后总结等于没写 理解等级:未标注 普通读书笔记卡
  2. 公开表彰诚实报告事故的人强化文化 理解等级:未标注 普通读书笔记卡
  3. 事后总结要协作并广泛传播 理解等级:中级 普通读书笔记卡
  4. 培育事后总结文化的做法 理解等级:中级 普通读书笔记卡
  5. 汇总分析事后总结找共性 理解等级:中级 普通读书笔记卡

16 跟踪故障

2 张卡片
  1. 报警聚合为故障 理解等级:未标注 普通读书笔记卡
  2. 用故障历史找系统问题 理解等级:未标注 普通读书笔记卡

16 第16章 跟踪故障

3 张卡片
  1. 无人响应的报警自动升级 理解等级:初级 普通读书笔记卡
  2. 用自由标签给故障分类 理解等级:中级 普通读书笔记卡
  3. 故障记录兼作交接与审计 理解等级:中级 普通读书笔记卡

17 测试可靠性

1 张卡片
  1. 测试能拦截监控才能发现的问题 理解等级:未标注 普通读书笔记卡

17 第17章 测试可靠性

2 张卡片
  1. 金丝雀测试的错误等级分类 理解等级:未标注 普通读书笔记卡
  2. 高频小发布比年度大发布更可靠 理解等级:未标注 普通读书笔记卡

17 测试可靠性

1 张卡片
  1. 危险工具的三层防护边界设计 理解等级:未标注 普通读书笔记卡

17 第17章 测试可靠性

12 张卡片
  1. 测试降低变更的不确定性 理解等级:高级 普通读书笔记卡
  2. 传统测试的三个层级 理解等级:初级 普通读书笔记卡
  3. 配置测试核对生产与仓库 理解等级:中级 普通读书笔记卡
  4. 压力测试找出崩溃边界 理解等级:初级 普通读书笔记卡
  5. 从最关键处补测试 理解等级:中级 普通读书笔记卡
  6. 构建失败须立即修复 理解等级:中级 普通读书笔记卡
  7. 随机测试要记录种子重跑 理解等级:中级 普通读书笔记卡
  8. 测试要在走神前给出结果 理解等级:高级 普通读书笔记卡
  9. 配置文件只能二选一 理解等级:高级 普通读书笔记卡
  10. 配置格式要限定加载时间 理解等级:中级 普通读书笔记卡
  11. 工具发现异常只报不修 理解等级:高级 普通读书笔记卡
  12. 已知请求兼作生产探针 理解等级:高级 普通读书笔记卡

18 第18章 SRE部门中的软件工程实践

1 张卡片
  1. 基于意图而非具体数字做资源规划 理解等级:未标注 普通读书笔记卡

18 SRE部门中的软件工程实践

1 张卡片
  1. 用简化近似方案代替等待完美设计 理解等级:未标注 普通读书笔记卡

18 第18章 SRE部门中的软件工程实践

10 张卡片
  1. 可信度积累慢,流失快 理解等级:未标注 普通读书笔记卡
  2. 运维者最适合写运维工具 理解等级:中级 普通读书笔记卡
  3. 意图表达的四个抽象层次 理解等级:高级 普通读书笔记卡
  4. 表达意图需三类信息 理解等级:中级 普通读书笔记卡
  5. 容量规划化为线性规划 理解等级:高级 普通读书笔记卡
  6. 内部工具先找没方案的团队 理解等级:中级 普通读书笔记卡
  7. 工具应对数据来源保持不可知 理解等级:中级 普通读书笔记卡
  8. 通才起步适时引入专家 理解等级:中级 普通读书笔记卡
  9. 判断工具值不值得做大 理解等级:高级 普通读书笔记卡
  10. 写工具的SRE仍要值班 理解等级:中级 普通读书笔记卡

19 第19章 前端服务器的负载均衡

5 张卡片
  1. 最优分配取决于请求类型 理解等级:中级 普通读书笔记卡
  2. DNS负载均衡的固有局限 理解等级:高级 普通读书笔记卡
  3. 虚拟IP隐藏后端细节 理解等级:初级 普通读书笔记卡
  4. 一致性哈希避免连接重置 理解等级:中级 普通读书笔记卡
  5. 转发数据包的三种方式 理解等级:高级 普通读书笔记卡

20 第20章 数据中心内部的负载均衡系统

9 张卡片
  1. 负载不均就是容量浪费 理解等级:中级 普通读书笔记卡
  2. 并发上限难辨慢与坏 理解等级:中级 普通读书笔记卡
  3. 跛脚鸭状态实现无损下线 理解等级:中级 普通读书笔记卡
  4. 用子集限制连接数量 理解等级:中级 普通读书笔记卡
  5. 确定性算法均分子集 理解等级:高级 普通读书笔记卡
  6. 轮询失衡的四个原因 理解等级:高级 普通读书笔记卡
  7. 分页限制单请求成本 理解等级:高级 普通读书笔记卡
  8. 最闲轮询要防地漏效应 理解等级:高级 普通读书笔记卡
  9. 加权轮询依据后端反馈 理解等级:中级 普通读书笔记卡

21 应对过载

3 张卡片
  1. QPS陷阱:用资源而非请求数衡量容量 理解等级:未标注 普通读书笔记卡
  2. 自适应节流让客户端自主降速 理解等级:未标注 普通读书笔记卡
  3. 请求重要性分级决定过载时舍弃谁 理解等级:未标注 普通读书笔记卡

21 第21章 应对过载

8 张卡片
  1. 只在拒绝的那一层重试,避免重试风暴 理解等级:未标注 普通读书笔记卡
  2. 过载时先给降级回复 理解等级:中级 普通读书笔记卡
  3. 按用户配额隔离全局过载 理解等级:中级 普通读书笔记卡
  4. 用执行器负载判断过载 理解等级:高级 普通读书笔记卡
  5. 少数过载才值得重试 理解等级:中级 普通读书笔记卡
  6. 重试的三道限制 理解等级:高级 普通读书笔记卡
  7. 连接本身也会造成过载 理解等级:中级 普通读书笔记卡
  8. 过载时既不崩溃也不全拒 理解等级:高级 普通读书笔记卡

22 处理连锁故障

2 张卡片
  1. GC死亡螺旋:资源相互依赖的级联恶化 理解等级:未标注 普通读书笔记卡
  2. 崩溃后降负载到远低于崩溃点才能恢复 理解等级:未标注 普通读书笔记卡

22 第22章 处理连锁故障

2 张卡片
  1. 多层重试的指数放大效应 理解等级:未标注 普通读书笔记卡
  2. 截止时间传递避免处理已被放弃的请求 理解等级:未标注 普通读书笔记卡

22 处理连锁故障

1 张卡片
  1. 保持调用栈永远向下,避免分布式死锁 理解等级:未标注 普通读书笔记卡

22 第22章 处理连锁故障

14 张卡片
  1. 连锁故障源于正反馈 理解等级:中级 普通读书笔记卡
  2. 资源耗尽的连锁副作用 理解等级:中级 普通读书笔记卡
  3. 防过载的五种手段 理解等级:中级 普通读书笔记卡
  4. 队列宜短于线程池 理解等级:中级 普通读书笔记卡
  5. 流量抛弃先丢不值得做的 理解等级:高级 普通读书笔记卡
  6. 降级模式也要定期演练 理解等级:高级 普通读书笔记卡
  7. 重试把小过载放大成崩溃 理解等级:高级 普通读书笔记卡
  8. 截止时间别远超平均延迟 理解等级:高级 普通读书笔记卡
  9. 分清延迟缓存与容量缓存 理解等级:高级 普通读书笔记卡
  10. 连锁故障的常见触发点 理解等级:中级 普通读书笔记卡
  11. 压测到崩溃还要测恢复 理解等级:高级 普通读书笔记卡
  12. 测试大客户与非关键依赖 理解等级:中级 普通读书笔记卡
  13. 连锁故障的应急手段 理解等级:高级 普通读书笔记卡
  14. 优化常态可能放大灾难 理解等级:高级 普通读书笔记卡

23 管理关键状态:利用分布式共识来提高可靠性

4 张卡片
  1. 心跳超时无法正确实现领头人选举 理解等级:未标注 普通读书笔记卡
  2. 最终一致把复杂度转嫁给了应用开发者 理解等级:未标注 普通读书笔记卡
  3. 增加副本数反而可能降低可用性 理解等级:未标注 普通读书笔记卡
  4. 领头人进程聚集埋下网络流量剧变风险 理解等级:未标注 普通读书笔记卡

23 第23章 管理关键状态:利用分布式共识来提高可靠性

18 张卡片
  1. 关键状态交给共识系统 理解等级:中级 普通读书笔记卡
  2. 共识缺位就只能人工切换 理解等级:中级 普通读书笔记卡
  3. 多数协调问题本质是共识 理解等级:高级 普通读书笔记卡
  4. 异步共识无法保证有限时间 理解等级:高级 普通读书笔记卡
  5. Paxos两阶段与多数交集 理解等级:高级 结构图卡
  6. 共识应作为服务而非库 理解等级:中级 普通读书笔记卡
  7. 复制状态机 理解等级:中级 普通读书笔记卡
  8. 共识之上的三种协调原语 理解等级:中级 普通读书笔记卡
  9. 可靠队列与原子广播 理解等级:中级 普通读书笔记卡
  10. 稳定领头人避免提议者决斗 理解等级:高级 普通读书笔记卡
  11. 强一致读的三种做法 理解等级:高级 普通读书笔记卡
  12. 共识写性能受网络与磁盘限制 理解等级:高级 普通读书笔记卡
  13. 快速Paxos未必更快 理解等级:高级 普通读书笔记卡
  14. 副本数按故障与维护选 理解等级:中级 普通读书笔记卡
  15. 副本位置权衡故障域与延迟 理解等级:高级 普通读书笔记卡
  16. 层级仲裁减轻关键副本依赖 理解等级:高级 普通读书笔记卡
  17. 共识系统的监控要点 理解等级:中级 普通读书笔记卡
  18. 多数副本失联时的强制重配置 理解等级:高级 普通读书笔记卡

24 分布式周期性任务系统

1 张卡片
  1. 故障切换下避免任务重复 理解等级:未标注 普通读书笔记卡

24 第24章 分布式周期性任务系统

6 张卡片
  1. 周期任务宁可漏跑不可重跑 理解等级:中级 普通读书笔记卡
  2. 分布式Cron的新约束 理解等级:高级 普通读书笔记卡
  3. 基础服务的依赖越少越好 理解等级:中级 普通读书笔记卡
  4. 启动前后各同步一次 理解等级:高级 普通读书笔记卡
  5. 日志靠快照截断并分层保存 理解等级:高级 普通读书笔记卡
  6. 用问号打散整点任务 理解等级:中级 普通读书笔记卡

25 第25章 数据处理流水线

8 张卡片
  1. 单相与多相流水线 理解等级:初级 普通读书笔记卡
  2. 周期流水线随数据增长变脆 理解等级:中级 普通读书笔记卡
  3. 执行间隔不能低于调度延迟 理解等级:高级 普通读书笔记卡
  4. 周期任务失败时没有指标 理解等级:中级 普通读书笔记卡
  5. 惊群与摩尔负载模式 理解等级:中级 普通读书笔记卡
  6. Workflow的MVC分工 理解等级:高级 普通读书笔记卡
  7. Workflow四重正确性保障 理解等级:高级 普通读书笔记卡
  8. 全局引用保障流水线续跑 理解等级:高级 普通读书笔记卡

26 数据完整性:读写一致

2 张卡片
  1. 数据完整性的本质是可用性 理解等级:未标注 普通读书笔记卡
  2. 备份与存档的区别在于能否被重新加载 理解等级:未标注 普通读书笔记卡

26 第26章 数据完整性:读写一致

2 张卡片
  1. 分级软删除构筑三层防线 理解等级:未标注 普通读书笔记卡
  2. 复制不是备份,同源故障会污染所有副本 理解等级:未标注 普通读书笔记卡

26 数据完整性:读写一致

1 张卡片
  1. 海量数据校验靠"可信点"加分片,而非暴力遍历 理解等级:未标注 普通读书笔记卡

26 第26章 数据完整性:读写一致

16 张卡片
  1. 完整性要求远高于可用性 理解等级:高级 普通读书笔记卡
  2. 多存储混用会破坏引用完整性 理解等级:高级 普通读书笔记卡
  3. 交付恢复能力而非备份任务 理解等级:中级 普通读书笔记卡
  4. 数据丢失的二十四种组合 理解等级:中级 普通读书笔记卡
  5. 时间点恢复难则分级备份 理解等级:高级 普通读书笔记卡
  6. 越底层的备份越不新鲜 理解等级:中级 普通读书笔记卡
  7. 分级备份的保留策略 理解等级:中级 普通读书笔记卡
  8. 冗余系统要选常用的 理解等级:中级 普通读书笔记卡
  9. 脏数据会随时间扩散 理解等级:高级 普通读书笔记卡
  10. 带外校验只查毁灭性问题 理解等级:高级 普通读书笔记卡
  11. 校验框架由中央团队提供 理解等级:中级 普通读书笔记卡
  12. 只有真恢复过才算能恢复 理解等级:中级 普通读书笔记卡
  13. 磁带是防同层故障的底线 理解等级:中级 普通读书笔记卡
  14. 阶段间隔假设会被增长打破 理解等级:高级 普通读书笔记卡
  15. 海量恢复是一场后勤战 理解等级:中级 普通读书笔记卡
  16. 数据完整性的五条理念 理解等级:高级 普通读书笔记卡

27 可靠地进行产品的大规模发布

2 张卡片
  1. 检查列表膨胀需要门槛管控 理解等级:未标注 普通读书笔记卡
  2. 标准化基础设施把检查项折叠成一句话 理解等级:未标注 普通读书笔记卡

27 第27章 可靠地进行产品的大规模发布

13 张卡片
  1. 高频发布才有机会打磨出好流程 理解等级:未标注 普通读书笔记卡
  2. 发布协调工程师的角色 理解等级:中级 普通读书笔记卡
  3. 发布流程的五个特征 理解等级:高级 普通读书笔记卡
  4. 新领域要重写检查列表 理解等级:中级 普通读书笔记卡
  5. 发布容量要按尖峰准备 理解等级:中级 普通读书笔记卡
  6. 发布计划要备好退路 理解等级:中级 普通读书笔记卡
  7. 自动请求必须加抖动 理解等级:中级 普通读书笔记卡
  8. 服务端下发配置控制客户端 理解等级:中级 普通读书笔记卡
  9. 灰度发布逐级放大 理解等级:中级 普通读书笔记卡
  10. 功能开关框架的要求 理解等级:中级 普通读书笔记卡
  11. 过载行为难以预测要压测 理解等级:中级 普通读书笔记卡
  12. 低风险发布走简化检查 理解等级:中级 普通读书笔记卡
  13. 基础设施变更须自带迁移 理解等级:高级 普通读书笔记卡

28 第28章 迅速培养SRE加入on-call

10 张卡片
  1. on-call前的准备度路径 理解等级:中级 普通读书笔记卡
  2. 随机工单不是培训 理解等级:中级 普通读书笔记卡
  3. 按请求路径组织课程 理解等级:中级 普通读书笔记卡
  4. 用小项目代替琐事 理解等级:初级 普通读书笔记卡
  5. SRE需要的三种能力 理解等级:中级 普通读书笔记卡
  6. 反向工程一个生产服务 理解等级:中级 普通读书笔记卡
  7. 事后总结是最好的教材 理解等级:中级 普通读书笔记卡
  8. 命运之轮角色扮演演练 理解等级:中级 普通读书笔记卡
  9. 先猜后压摧毁练习集群 理解等级:中级 普通读书笔记卡
  10. 让新人维护学习清单 理解等级:中级 普通读书笔记卡

29 处理中断性任务

1 张卡片
  1. 上下文切换的隐藏成本需要"极化时间" 理解等级:未标注 普通读书笔记卡

29 第29章 处理中断性任务

1 张卡片
  1. 随机分配工单是对团队时间的不尊重 理解等级:未标注 普通读书笔记卡

29 处理中断性任务

1 张卡片
  1. 两种心流状态不应混在一起 理解等级:未标注 普通读书笔记卡

29 第29章 处理中断性任务

6 张卡片
  1. 尊重自己也尊重用户:把负担还给能承担的一方 理解等级:未标注 普通读书笔记卡
  2. 运维负载的三种类型 理解等级:初级 普通读书笔记卡
  3. 中断策略看五个指标 理解等级:中级 普通读书笔记卡
  4. 值班那周不排项目 理解等级:中级 普通读书笔记卡
  5. 非值班别抢着处理工单 理解等级:初级 普通读书笔记卡
  6. 工单也要交接与复盘 理解等级:中级 普通读书笔记卡

30 通过嵌入SRE的方式帮助团队从运维过载中恢复

2 张卡片
  1. "坏苹果理论"在复杂系统中站不住脚 理解等级:未标注 普通读书笔记卡
  2. 用引导性问题代替指责性问题 理解等级:未标注 普通读书笔记卡

30 第30章 通过嵌入SRE的方式帮助团队从运维过载中恢复

1 张卡片
  1. 解释决策背后的逻辑,而非只给结论 理解等级:未标注 普通读书笔记卡

30 通过嵌入SRE的方式帮助团队从运维过载中恢复

1 张卡片
  1. 只派一个人介入,而非两个,以避免防御心理 理解等级:未标注 普通读书笔记卡

30 第30章 通过嵌入SRE的方式帮助团队从运维过载中恢复

4 张卡片
  1. 嵌入SRE的三个阶段 理解等级:中级 普通读书笔记卡
  2. 识别即将爆发的隐患 理解等级:高级 普通读书笔记卡
  3. 先帮团队定下SLO 理解等级:中级 普通读书笔记卡
  4. 带成员亲手修而非代劳 理解等级:中级 普通读书笔记卡

31 第31章 SRE与其他团队的沟通与协作

2 张卡片
  1. 生产会议靠固定节奏和共建文档维持效率 理解等级:未标注 普通读书笔记卡
  2. 让较小团队主持跨团队会议平衡话语权 理解等级:未标注 普通读书笔记卡

31 SRE与其他团队的沟通与协作

2 张卡片
  1. 重复造轮子源于局部激励,而非能力不足 理解等级:未标注 普通读书笔记卡
  2. 先定接口契约,再并行开发两端 理解等级:未标注 普通读书笔记卡

31 第31章 SRE与其他团队的沟通与协作

8 张卡片
  1. 团队接口像API一样设计 理解等级:中级 普通读书笔记卡
  2. 生产会议的默认议程 理解等级:中级 普通读书笔记卡
  3. 专业化要配团队章程 理解等级:中级 普通读书笔记卡
  4. 角色明确与动态的取舍 理解等级:中级 普通读书笔记卡
  5. 跨地域项目的协作要点 理解等级:高级 普通读书笔记卡
  6. 短期贡献会稀释所有权 理解等级:中级 普通读书笔记卡
  7. 共同愿景促成重复项目合并 理解等级:中级 普通读书笔记卡
  8. 新旧系统输出比对验证迁移 理解等级:中级 普通读书笔记卡

32 第32章 SRE参与模式的演进历程

11 张卡片
  1. SRE参与的三种模型 理解等级:中级 普通读书笔记卡
  2. SRE关注的六个生产方面 理解等级:初级 普通读书笔记卡
  3. 无SRE时靠指南与咨询 理解等级:中级 普通读书笔记卡
  4. 生产就绪评审的流程 理解等级:中级 结构图卡
  5. PRR检查列表要因服务而定 理解等级:中级 普通读书笔记卡
  6. 早期参与把可靠性设计进去 理解等级:中级 普通读书笔记卡
  7. 隐形发布用复制流量练兵 理解等级:中级 普通读书笔记卡
  8. 逐个接手无法随服务扩展 理解等级:中级 普通读书笔记卡
  9. 把最佳实践做成服务框架 理解等级:高级 普通读书笔记卡
  10. 平台归SRE业务归研发 理解等级:高级 普通读书笔记卡
  11. SRE也可以从服务撤出 理解等级:中级 普通读书笔记卡

33 其他行业的实践经验

2 张卡片
  1. "差点出事"的事故同样值得深究 理解等级:未标注 普通读书笔记卡
  2. 不可逆后果需要减速阀 理解等级:未标注 普通读书笔记卡

33 第33章 其他行业的实践经验

1 张卡片
  1. 自动化速度会放大配置错误 理解等级:未标注 普通读书笔记卡

33 其他行业的实践经验

1 张卡片
  1. 风险控制权应独立于逐利部门 理解等级:未标注 普通读书笔记卡

33 第33章 其他行业的实践经验

9 张卡片
  1. 警惕HiPPO现象,让数据说话而非职级 理解等级:未标注 普通读书笔记卡
  2. 演习要逼真到难辨真假 理解等级:中级 普通读书笔记卡
  3. 预留冗余应对突发需求 理解等级:初级 普通读书笔记卡
  4. 向真实使用者收集需求 理解等级:中级 普通读书笔记卡
  5. 安全文化自上而下贯彻 理解等级:中级 普通读书笔记卡
  6. 用自动校验防止输入错误 理解等级:中级 普通读书笔记卡
  7. 响应时限决定是否自动化 理解等级:中级 普通读书笔记卡
  8. 稳定行业靠手册不轻易改动 理解等级:中级 普通读书笔记卡
  9. 故障代价决定变更速度 理解等级:高级 普通读书笔记卡

34 第34章 结语

1 张卡片
  1. 驾驶舱始终只有两名飞行员 理解等级:中级 普通读书笔记卡

35 附录A 系统可用性

1 张卡片
  1. 部分可用系统应该用比例而非时长衡量可用性 理解等级:未标注 普通读书笔记卡

36 附录B 生产环境运维过程中的最佳实践

1 张卡片
  1. 收到坏配置时应保持旧状态而非采用新数据 理解等级:未标注 普通读书笔记卡

36 生产环境运维过程中的最佳实践

2 张卡片
  1. 渐进式发布跨地理位置能更快暴露问题 理解等级:未标注 普通读书笔记卡
  2. 成熟系统的错误预算周期应该拉长 理解等级:未标注 普通读书笔记卡

36 附录B 生产环境运维过程中的最佳实践

1 张卡片
  1. 容量预测要持续对照实际 理解等级:中级 普通读书笔记卡

37 附录C 事故状态文档示范

1 张卡片
  1. 事故文档要写明退出条件 理解等级:初级 普通读书笔记卡

38 附录D 事后总结示范

1 张卡片
  1. 事后总结记下幸运因素 理解等级:中级 普通读书笔记卡

全书概览

SRE:Google运维解密

执行模式:light 本轮执行规则:book-workflow v4 / book-notes v24(2026-11-14;原历史规则记录保留) 建档进度:done

整书笔记:48项逐项讲解、381卡主要位置及真实出处。

类别:CI/CD 与 DevOps 实践类(2026-09-24 由“可观测性/监控类”改判:后者判定标准明确排除把监控作为 SRE 等主题附带内容的书;本书主线是发布、自动化、监控告警、应急与事后复盘等可靠性运维实践,与 DevOps 实践类必答清单更吻合)

本次实际使用规则:book-notes v10(2026-10-02 按逐 spine 覆盖台账重跑,新增 262 张卡);历史使用规则:book-notes v8(2026-09-24),详见 _workflow.md。

评级结论:经典原理(高信息浓度 × 高稳定性)

信息浓度:高。全书以”为什么这样设计”为主线——错误预算为何能化解研发与运维的组织冲突、 SLI/SLO 的定义方法论、琐事(toil)的判定标准、监控系统只应产生告警/工单/日志三类输出的设计 依据、连锁故障的成因链条、无责事后总结的文化机制——这些都是底层设计决策的阐述,而非操作手册。

稳定性:高。核心概念(错误预算、SLO、toil、白盒监控、事故指挥体系、无责文化、连锁故障预防) 是与具体工具版本无关的系统设计原理,十年后依然成立,且已成为整个 SRE/DevOps 行业的通用语言。 仅第三部分”具体实践”中约 1⁄3 的章节(如 Borgmon、GSLB、Cron 系统、数据流水线的具体实现)绑定 了 Google 内部工具细节,稳定性和普适性较低,该历史评级不作为跳读理由;V10已将全部实质正文逐段读取,本轮复用有效覆盖。

四象限结论:经典原理(最高级别)——主体内容属于奠定 SRE 学科基础的原理性论述,少量工程实现 细节章节拉低了平均分但不改变整体定位。

章节进度追踪表

本轮复用V10已核验的48实质来源项/123阅读单元和381卡;逐项讲解及定位在整书笔记。历史精读/略读划分不作为本轮跳读依据。

章节号 章节标题 状态(pending/done) 卡片数
00 译者序 done 0
00 前言 done 0
00 序言 done 4
00 第Ⅰ部分 done 0
01 第1章 介绍 done 13
02 第2章 Google 生产环境:SRE视角 done 13
00 第Ⅱ部分 done 0
03 第3章 拥抱风险 done 11
04 第4章 服务质量目标 done 12
05 第5章 减少琐事 done 7
06 第6章 分布式系统的监控 done 11
07 第7章 Google 的自动化系统的演进 done 14
08 第8章 发布工程 done 11
09 第9章 简单化 done 7
00 第Ⅲ部分 done 1
10 第10章 基于时间序列数据进行有效报警 done 12
11 第11章 on-call轮值 done 8
12 第12章 有效的故障排查手段 done 12
13 第13章 紧急事件响应 done 9
14 第14章 紧急事故管理 done 8
15 第15章 事后总结:从失败中学习 done 7
16 第16章 跟踪故障 done 5
17 第17章 测试可靠性 done 16
18 第18章 SRE部门中的软件工程实践 done 12
19 第19章 前端服务器的负载均衡 done 5
20 第20章 数据中心内部的负载均衡系统 done 9
21 第21章 应对过载 done 11
22 第22章 处理连锁故障 done 19
23 第23章 管理关键状态:利用分布式共识来提高可靠性 done 22
24 第24章 分布式周期性任务系统 done 7
25 第25章 数据处理流水线 done 8
26 第26章 数据完整性:读写一致 done 21
27 第27章 可靠地进行产品的大规模发布 done 15
00 第Ⅳ部分 done 0
28 第28章 迅速培养SRE加入on-call done 10
29 第29章 处理中断性任务 done 9
30 第30章 通过嵌入SRE的方式帮助团队从运维过载中恢复 done 8
31 第31章 SRE与其他团队的沟通与协作 done 12
32 第32章 SRE参与模式的演进历程 done 11
00 第Ⅴ部分 done 0
33 第33章 其他行业的实践经验 done 13
34 第34章 结语 done 1
35 附录A 系统可用性 done 1
36 附录B 生产环境运维过程中的最佳实践 done 4
37 附录C 事故状态文档示范 done 1
38 附录D 事后总结示范 done 1
39 附录E 发布协调检查列表 done 0
40 附录F 生产环境会议记录示范 done 0

待关联术语

正文出现但本书不展开、暂不成卡的工具/系统/术语,供后续跨书关联。

位置 术语
第2章 Apache Mesos、Kubernetes、Lustre、HDFS、Apache Thrift、gRPC、MapReduce、Spanner、Blobstore、Jupiter(Clos)、B4(OpenFlow)
第4章 Borgmon、Prometheus
第6章 Puppet、Chef、Workqueue
第7章 cfengine、Perl、Prodtest、JDBC、MySQL
第8章 Rapid、Blaze、Midas Package Manager(MPM)、Blueprint、Sisyphus
第9章 Bazel、Failure Injection、OKR(Objectives and Key Results)、Snippets、XKCD
第Ⅲ部分/第10章 Auxon、Paxos、Riemann、Heka、Bosun、Prometheus、varz、expvar(Go)、SNMP、TSDB、Alertmanager
第11章 DiRT(灾难恢复演习)、命运之轮(Wheel of Misfortune)
第12章 Dapper、RE2、App Engine、Apache Bench、memcache
第13章 TFTP、QoS、Google Machine Database
第14章 Incident Command System、IRC、Google Docs、Google Sites
第15–16章 Google+、TGIF、Peer Bonus、Escalator、Outalator、Slack、HipChat、NOC
第17章 Dagger、Lemon、Chaos Monkey、Jepsen、YAML、safe_load
第18章 Auxon、TPM、MVP、混合整数线性规划
第19章 anycast、SRV 记录、EDNS0、OpenDNS、NAT、DSR、GRE、MTU
第20章 GFE、SIGTERM、GCU(Google计算单元)
第21章 CRITICAL_PLUS/CRITICAL/SHEDDABLE_PLUS/SHEDDABLE、执行器负载均值
第22章 watchdog、CoDel、LIFO、致死请求(query of death)、gRPC、JIT、hard/soft stickiness
第23章 STONITH、gossip、FLP、Raft、Zab、Mencius、Egalitarian Paxos、ZooKeeper、Consul、etcd、Photon、Fast Paxos、Multi-Paxos、法定租约
第24章 crond、crontab、anacron、Mesos、惊群效应(thundering herd)
第25章 Flume、ETL、Workflow、Spanner、MVC、system prevalence、embarrassingly parallel
第26章 Blobstore、Megastore、BLOB、0-day、RAID、Reed-Solomon、GTape、BigQuery、时间点恢复(point-in-time)
第27章 NORAD、Keyhole、LCE、生产评审(production review)、Doorman、Morgue、PCRE、Hickam’s dictum、Five Whys
第28章 命运之轮(wheel of misfortune)、走木板(walk the plank)、Google Doodle
第31章 Viceroy、Monarch、Console++、DFP(DoubleClick for Publishers)、F1、OKR、康威定律
第32章 PRR(生产就绪程度评审)、生产指南(production guide)、隐形发布、微服务
第33章 SIL(安全完整性等级)、UK Defense Standard 00-56、IEC 61508、DO-178B/C、DO-254、CAPA、CHIRP、Six Sigma、E911

引用文献

正文提及、可作延伸阅读的文献(方括号为书末参考文献键)。

位置 文献
第Ⅱ部分导言 Make Push On Green a Reality([Kle14])
第4章 Speed Matters([Bru09])
第8章 [McN14a];How Embracing Continuous Release Reduced Change Complexity([Dic14]);Maintaining Consistency in a Massively Parallel Environment([McN13]);The 10 Commandments of Release Engineering([McN14b]);Distributing Software in a Massively Parallel Environment([McN14c])
第9章 No Silver Bullet([Bro95]);Order In the Matter of Knight Capital Americas LLC([sec13]);Applying Cardiac Alarm Management Techniques to Your OnCall([Hol14]);[Per99]、[Coo00]、[Bai83]、[Sar97]
第Ⅲ部分 [Mas43];Weathering the Unexpected([Kri12]);[Hix15a];BeyondCorp([War14])
第11章 [Lim14]、[Dur05]、[Loo10]、[Kah11]、[Chr09]、[All12]、[Kir12]
第12章 [Gaw09]、[Sig10]、[Sam14]
第15章 [All12]、[Roo04]、[Boy13]
第17章 [Woo96]、[Whi12]、[Nar12]、[Per07]、[Cra10]、[Ana07]
第18章 [Hix15a]、[Eis16]
第19章 [Con15]、RFC 1035([Moc87])、[Kar97]、[Han94]、[Eis16]
第22章 [Nic12]、[Mau15]、Exponential Backoff and Jitter([Bro15])、[Flo94]
第23章 [Fox99]、[Bre12]、[Gil02]、[Lu15]、[Kin15]、[Shu13]、[Fis85]、[Lam98]、[Ong14]、[Jun11]、[Mao08]、[Zoo14]、[Hun10]、[Bur06]、[Agu10]、[Kir08]、[Sch90]、[Cor12]、[Cha96]、[Bol11]、[Ana13]、[Mor14]、[Lam06]、[Jun07]、[San11]、[Cas99]、[Ken12]、[Gup15]
第25章 [Con63]、[Bul80]、[McI86]、[Cha10]、[Mol86]、[Sha00]
第26章 [Hic11]、[Bak11]、[Kinc09]、[Cha07]、[Sol11]
第27章与第Ⅲ部分脚注 [Gaw09]、[Hix15a]、[Tat99]、[Ohn88]、[All15]、[Mea08]、[Coo04]、[Dek14]、[Bla14]、[Dea07]、[Fow08]、[Gol14]、[Bai13]、[Con96]、[Jon15]
第Ⅳ部分导言 SRE:系统工程学([Hix15b]);SRE招聘([Jon15]);Work Rules!([Boc15])
第31章 [Hix15b]、[Kra08]、[Nel14]、[kla12]、[Shu13]
第32章脚注 [Mer11];Life in the Trenches of healthcare.gov
第33章 [Kri12]、[IAEA12]、[Bra15]、[Sch14]

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
1 对照go-zero读客户端自适应节流 实现深读 done 21 ideas/idea-001-对照go-zero读客户端自适应节流.md
2 追踪gRPC截止时间传递链路 实现深读 done 22 ideas/idea-002-追踪gRPC截止时间传递链路.md
3 两周极化时间行为实验 行为实验 done 29 ideas/idea-003-两周极化时间行为实验.md

已完成的是计划交付。本轮已对go-zero/grpc-go的固定提交开始源码阅读并保存首轮映射与两层计划;完整深读、测试与两周实验尚未执行。V10 重筛(2026-10-02):新增卡中的 SLI 模板、Workflow 正确性保障、分级备份等仍依赖真实服务与团队环境,未产生优于现有 3 项的个人可执行实践,维持原计划。未采用的候选:错误预算/SLO 落地(缺少可用的真实服务与数据,易变成空泛提纲);无责事后总结(需团队配合,个人范围难以形成有效产出)。

类别清单核对(CI/CD 与 DevOps 实践类)

维度 覆盖状态 关联卡片标题或未覆盖理由
持续集成流水线设计 已覆盖(V10 补强) [[提交即运行受影响的测试]]、[[构建失败须立即修复]]、[[发布分支上要重跑全部测试]]、[[测试要在走神前给出结果]];通用的流水线阶段编排书中未展开
制品构建、版本与可追溯性 已覆盖 [[密闭构建保证可重现性]]、[[发布操作按角色分权]]
部署、发布与环境管理 已覆盖 [[高频发布反而降低单次发布风险]]、[[渐进式发布跨地理位置能更快暴露问题]]、[[未经测试的回滚等于没有回滚]]
测试与质量门禁 已覆盖 [[测试能拦截监控才能发现的问题]]、[[金丝雀测试的错误等级分类]]、[[危险工具的三层防护边界设计]]
基础设施自动化与幂等性 已覆盖 [[自动化五阶段演进模型]]、[[空列表被当作”全部”的自动化事故]]、[[故障切换下避免任务重复]]
安全、凭证与权限治理 部分覆盖 [[发布操作按角色分权]]、[[用审计RPC取代rootSSH]]、[[二进制应能自报构建来源]];密钥轮换与供应链风险未在书中展开
可观测性、故障恢复与持续改进 已覆盖 [[四个黄金指标]]、[[假设-排除法的故障排查流程]]、[[对事不对人为何能改善系统而非人]]
团队协作与交付流程演进 已覆盖 [[SRE的人员构成与50%规则]]、[[先定接口契约,再并行开发两端]]、[[让较小团队主持跨团队会议平衡话语权]]

主题索引维护

历史 v8:复用 11 个已有主题、新建 6 个主题。V10(2026-10-02)新增 262 张卡逐张判定:260 张加入 31 个已有主题(新增成员同步写入 notes/_topics/),2 张无需加入(理由见表);原 2 张待复核卡已于 2026-09-24 清理后加入。本表覆盖当前全部 381 张卡(S4 新增 2 张、改名 1 张已同步)。

卡片标题 结论 主题文件或原因
Dev/Ops矛盾的组织根源 已复用 notes/_topics/security-culture-org.md
SRE的人员构成与50%规则 已复用 notes/_topics/security-culture-org.md
错误预算的本质 已创建 notes/_topics/slo-error-budget.md
监控只应产生三类输出 已复用 notes/_topics/logging-observability.md
运维手册把MTTR降到三分之一 已复用 notes/_topics/incident-response.md
N+2冗余容量规划逻辑 已创建 notes/_topics/capacity-scheduling.md
故障域隔离的调度原则 已复用 notes/_topics/defense-in-depth-blast-radius.md
物理与逻辑服务器解耦的调度自由度 已创建 notes/_topics/capacity-scheduling.md
可靠性投入的成本非线性递增 已创建 notes/_topics/slo-error-budget.md
故障类型比故障数量更重要 已创建 notes/_topics/slo-error-budget.md
用背景误差率校准可靠性目标 已创建 notes/_topics/slo-error-budget.md
分层服务水平把成本选择权交给用户 已创建 notes/_topics/slo-error-budget.md
SLI/SLO/SLA三层区分 已创建 notes/_topics/slo-error-budget.md
用百分位而非平均值衡量延迟 已创建 notes/_topics/slo-error-budget.md
过度可靠会制造危险的安全假象 已创建 notes/_topics/slo-error-budget.md
从目标反推指标而非从指标凑目标 已创建 notes/_topics/slo-error-budget.md
内外SLO之间留缓冲区 已创建 notes/_topics/slo-error-budget.md
琐事的六个判定特征 已创建 notes/_topics/toil-automation.md
轮值排班决定琐事占比下限 已创建 notes/_topics/toil-automation.md
少量琐事无害,过量才是问题 已创建 notes/_topics/toil-automation.md
轻易接手琐事会开创坏先例 已创建 notes/_topics/toil-automation.md
现象与原因的区分是监控信噪比核心 已复用 notes/_topics/logging-observability.md
四个黄金指标 已复用 notes/_topics/logging-observability.md
黑盒白盒监控的互补边界 已复用 notes/_topics/logging-observability.md
好警报的四个必要条件 已复用 notes/_topics/logging-observability.md
短期忍受降级换长期修复 已复用 notes/_topics/logging-observability.md
自动化五阶段演进模型 已创建 notes/_topics/toil-automation.md
谁维护自动化决定自动化质量 已创建 notes/_topics/toil-automation.md
空列表被当作”全部”的自动化事故 已创建 notes/_topics/toil-automation.md
自动化会削弱人类的临场反应能力 已创建 notes/_topics/toil-automation.md
自动化的隐藏价值是操作与执行者解耦 已创建 notes/_topics/toil-automation.md
密闭构建保证可重现性 已复用 notes/_topics/build-provenance-supply-chain.md
高频发布反而降低单次发布风险 已复用 notes/_topics/change-release-safety.md
发布工程应在项目早期介入 已复用 notes/_topics/change-release-safety.md
发布操作按角色分权 已复用 notes/_topics/build-provenance-supply-chain.md
发布分支只接收摘樱桃 已复用 notes/_topics/change-release-safety.md
必要复杂度与意外复杂度 已创建 notes/_topics/simplicity-complexity.md
死代码比活代码更危险 已创建 notes/_topics/simplicity-complexity.md
最小API是深刻理解问题的标志 已创建 notes/_topics/simplicity-complexity.md
小批量发布类比梯度下降 已复用 notes/_topics/change-release-safety.md
计数器优于测量器的采集设计 已复用 notes/_topics/logging-observability.md
黑盒探针弥补白盒监控的盲区 已复用 notes/_topics/logging-observability.md
命运共享决定监控分组粒度 已复用 notes/_topics/logging-observability.md
SLO反推on-call响应时限 已复用 notes/_topics/incident-response.md
压力下的”过度联想”与两种思维模式 已复用 notes/_topics/incident-response.md
运维压力过低同样是风险 已复用 notes/_topics/incident-response.md
事故与报警比例应接近1:1 已复用 notes/_topics/incident-response.md
假设-排除法的故障排查流程 已复用 notes/_topics/debugging-root-cause.md
先止血再溯源 已复用 notes/_topics/debugging-root-cause.md
相关不等于因果的排障陷阱 已复用 notes/_topics/debugging-root-cause.md
负面结果同样值得公布 已复用 notes/_topics/debugging-root-cause.md
“什么/哪里/为什么”三问定位资源消耗 已复用 notes/_topics/debugging-root-cause.md
别慌且主动扩大求助范围 已复用 notes/_topics/incident-response.md
未经测试的回滚等于没有回滚 已复用 notes/_topics/change-release-safety.md
低风险变更评估可能漏掉稀有参数组合 已复用 notes/_topics/change-release-safety.md
主动想象极端场景来测试韧性 已复用 notes/_topics/incident-response.md
明确职责分离带来自主行动的自由 已复用 notes/_topics/incident-response.md
未协调的善意帮忙比不作为更危险 已复用 notes/_topics/incident-response.md
宣布进入应急状态的三条触发标准 已复用 notes/_topics/incident-response.md
应急能力靠日常小规模使用维持 已复用 notes/_topics/incident-response.md
对事不对人为何能改善系统而非人 已复用 notes/_topics/security-culture-org.md
事后总结的量化触发标准 已复用 notes/_topics/incident-response.md
未经评审的事后总结等于没写 已复用 notes/_topics/incident-response.md
公开表彰诚实报告事故的人强化文化 已复用 notes/_topics/security-culture-org.md
报警聚合为故障 已复用 notes/_topics/incident-response.md
用故障历史找系统问题 已复用 notes/_topics/incident-response.md
测试能拦截监控才能发现的问题 已复用 notes/_topics/testing-effectiveness.md
金丝雀测试的错误等级分类 已复用 notes/_topics/change-release-safety.md
高频小发布比年度大发布更可靠 已复用 notes/_topics/change-release-safety.md
危险工具的三层防护边界设计 已复用 notes/_topics/change-release-safety.md
基于意图而非具体数字做资源规划 已创建 notes/_topics/capacity-scheduling.md
用简化近似方案代替等待完美设计 已创建 notes/_topics/simplicity-complexity.md
可信度积累慢,流失快 已复用 notes/_topics/security-culture-org.md
QPS陷阱:用资源而非请求数衡量容量 已复用 notes/_topics/overload-protection-degradation.md
自适应节流让客户端自主降速 已复用 notes/_topics/overload-protection-degradation.md
请求重要性分级决定过载时舍弃谁 已复用 notes/_topics/overload-protection-degradation.md
只在拒绝的那一层重试,避免重试风暴 已复用 notes/_topics/overload-protection-degradation.md
GC死亡螺旋:资源相互依赖的级联恶化 已复用 notes/_topics/overload-protection-degradation.md
崩溃后降负载到远低于崩溃点才能恢复 已复用 notes/_topics/overload-protection-degradation.md
多层重试的指数放大效应 已复用 notes/_topics/overload-protection-degradation.md
截止时间传递避免处理已被放弃的请求 已复用 notes/_topics/overload-protection-degradation.md
保持调用栈永远向下,避免分布式死锁 已复用 notes/_topics/overload-protection-degradation.md
心跳超时无法正确实现领头人选举 已创建 notes/_topics/distributed-consensus.md
最终一致把复杂度转嫁给了应用开发者 已创建 notes/_topics/distributed-consensus.md
增加副本数反而可能降低可用性 已创建 notes/_topics/distributed-consensus.md
领头人进程聚集埋下网络流量剧变风险 已创建 notes/_topics/distributed-consensus.md
故障切换下避免任务重复 已创建 notes/_topics/distributed-consensus.md
数据完整性的本质是可用性 已复用 notes/_topics/backup-disaster-recovery.md
备份与存档的区别在于能否被重新加载 已复用 notes/_topics/backup-disaster-recovery.md
分级软删除构筑三层防线 已复用 notes/_topics/backup-disaster-recovery.md
复制不是备份,同源故障会污染所有副本 已复用 notes/_topics/backup-disaster-recovery.md
海量数据校验靠”可信点”加分片,而非暴力遍历 已复用 notes/_topics/backup-disaster-recovery.md
检查列表膨胀需要门槛管控 已复用 notes/_topics/change-release-safety.md
标准化基础设施把检查项折叠成一句话 已复用 notes/_topics/change-release-safety.md
高频发布才有机会打磨出好流程 已复用 notes/_topics/change-release-safety.md
on-call前的准备度路径 已复用 notes/_topics/incident-response.md
上下文切换的隐藏成本需要”极化时间” 已创建 notes/_topics/interrupt-focus-management.md
随机分配工单是对团队时间的不尊重 已创建 notes/_topics/interrupt-focus-management.md
两种心流状态不应混在一起 已创建 notes/_topics/interrupt-focus-management.md
尊重自己也尊重用户:把负担还给能承担的一方 已创建 notes/_topics/interrupt-focus-management.md
“坏苹果理论”在复杂系统中站不住脚 已复用 notes/_topics/security-culture-org.md
用引导性问题代替指责性问题 已复用 notes/_topics/security-culture-org.md
解释决策背后的逻辑,而非只给结论 已复用 notes/_topics/security-culture-org.md
只派一个人介入,而非两个,以避免防御心理 已复用 notes/_topics/security-culture-org.md
生产会议靠固定节奏和共建文档维持效率 已复用 notes/_topics/security-culture-org.md
让较小团队主持跨团队会议平衡话语权 已复用 notes/_topics/security-culture-org.md
重复造轮子源于局部激励,而非能力不足 已复用 notes/_topics/security-culture-org.md
先定接口契约,再并行开发两端 待复核 现有主题无“跨团队接口契约先行”定位;但「类别清单核对」表把该卡列为团队协作维度已覆盖,两表结论不一致,待人工确认归属
“差点出事”的事故同样值得深究 已复用 notes/_topics/incident-response.md
不可逆后果需要减速阀 已创建 notes/_topics/toil-automation.md
自动化速度会放大配置错误 已创建 notes/_topics/toil-automation.md
风险控制权应独立于逐利部门 已复用 notes/_topics/security-culture-org.md(2026-09-24 旧记录清理后加入)
警惕HiPPO现象,让数据说话而非职级 已复用 notes/_topics/security-culture-org.md(2026-09-24 旧记录清理后加入)
部分可用系统应该用比例而非时长衡量可用性 已创建 notes/_topics/slo-error-budget.md
收到坏配置时应保持旧状态而非采用新数据 已复用 notes/_topics/fail-safe-defaults.md
渐进式发布跨地理位置能更快暴露问题 已复用 notes/_topics/change-release-safety.md
成熟系统的错误预算周期应该拉长 已创建 notes/_topics/slo-error-budget.md
软件成本主要花在上线之后 已复用 notes/_topics/devops-adoption.md
SRE名称的三层含义 已复用 notes/_topics/devops-adoption.md
可靠性的概率定义 已复用 notes/_topics/slo-error-budget.md
小概率人为失误也要防住 已复用 notes/_topics/defense-in-depth-blast-radius.md
服务可靠度层级模型 已复用 notes/_topics/slo-error-budget.md
传统运维人力随负载线性增长 已复用 notes/_topics/toil-automation.md
DevOps与SRE的关系 已复用 notes/_topics/devops-adoption.md
每班最多处理两个紧急事件 已复用 notes/_topics/incident-response.md
可靠性目标是产品决策 已复用 notes/_topics/slo-error-budget.md
变更管理的三项自动化 已复用 notes/_topics/change-release-safety.md
容量规划的三个必需步骤 已复用 notes/_topics/capacity-scheduling.md
资源部署是高危变更 已复用 notes/_topics/change-release-safety.md
延迟升高等于容量损失 已复用 notes/_topics/capacity-scheduling.md
硬件故障是常态需软件隔离 已复用 notes/_topics/faults-partial-failure-clocks.md
慢速重启胜过持续泄漏 已复用 notes/_topics/faults-partial-failure-clocks.md
集中控制器替代智能路由器 已复用 notes/_topics/virtual-networking.md(SDN 集中控制面,同书 473 的 SDN 卡亦在此主题)
全局负载均衡的三个层面 已复用 notes/_topics/load-balancing.md
分布式锁服务承担主选举 已复用 notes/_topics/distributed-consensus.md
监控数据的三种用途 已复用 notes/_topics/logging-observability.md
Protobuf比XML更紧凑 已复用 notes/_topics/data-interchange-formats.md
提交即运行受影响的测试 已复用 notes/_topics/ci-cd-pipeline-design.md
集群存储的分层结构 已复用 notes/_topics/distributed-storage-replication.md
低频更新可接受最终一致 已复用 notes/_topics/consistency-models.md
请求成功率也适用于批处理 已复用 notes/_topics/slo-error-budget.md
可用性目标随市场定位而定 已复用 notes/_topics/slo-error-budget.md
多一个9值多少钱 已复用 notes/_topics/slo-error-budget.md
宽松延迟目标换取成本 已复用 notes/_topics/slo-error-budget.md
入口层故障无法被掩盖 已复用 notes/_topics/slo-error-budget.md
错误预算的运作流程 已复用 notes/_topics/slo-error-budget.md
错误预算能暴露过高SLO 已复用 notes/_topics/slo-error-budget.md
按系统类型选择SLI 已复用 notes/_topics/slo-error-budget.md
客户端指标补服务器盲区 已复用 notes/_topics/slo-error-budget.md
汇总粒度会掩盖瞬时峰值 已复用 notes/_topics/slo-error-budget.md
用SLI模板统一度量口径 已复用 notes/_topics/slo-error-budget.md
SLO要写清条件与分层 已复用 notes/_topics/slo-error-budget.md
制定SLO的五条原则 已复用 notes/_topics/slo-error-budget.md
SLO驱动的运维控制回路 已复用 notes/_topics/slo-error-budget.md
SRE工作的四种类型 已复用 notes/_topics/toil-automation.md
琐事平均值掩盖个体差异 已复用 notes/_topics/toil-automation.md
依赖判断的告警仍是琐事 已复用 notes/_topics/toil-automation.md
一次故障可有多个根源问题 已复用 notes/_topics/debugging-root-cause.md
监控规则宁简单勿魔法 已复用 notes/_topics/logging-observability.md
错误分为显式隐式与策略性 已复用 notes/_topics/logging-observability.md
用指数分桶直方图看长尾 已复用 notes/_topics/logging-observability.md
按需选择度量精度 已复用 notes/_topics/logging-observability.md
监控配置要定期删减 已复用 notes/_topics/logging-observability.md
一致性是自动化的首要价值 已复用 notes/_topics/toil-automation.md
部署抽象会泄漏中间状态 已复用 notes/_topics/toil-automation.md
罕见执行的自动化最脆弱 已复用 notes/_topics/toil-automation.md
用自动切换拥抱故障 已复用 notes/_topics/high-availability-architecture.md
测试配合幂等修复纠正配置 已复用 notes/_topics/toil-automation.md
衡量自动化的三个维度 已复用 notes/_topics/toil-automation.md
用审计RPC取代rootSSH 已复用 notes/_topics/least-privilege-access-control.md
上线自动化按服务契约分派 已复用 notes/_topics/toil-automation.md
规模够大就必须自愈 已复用 notes/_topics/toil-automation.md
发布流程由团队自助完成 已复用 notes/_topics/build-provenance-supply-chain.md
二进制应能自报构建来源 已复用 notes/_topics/build-provenance-supply-chain.md
发布分支上要重跑全部测试 已复用 notes/_topics/ci-cd-pipeline-design.md
用唯一标签标记发布阶段 已复用 notes/_topics/build-provenance-supply-chain.md
部署节奏匹配风险承受力 已复用 notes/_topics/change-release-safety.md
配置分发的四种模型 已复用 notes/_topics/centralized-config-management.md
乏味是生产软件的美德 已复用 notes/_topics/simplicity-complexity.md
探索性代码要设保质期 已复用 notes/_topics/simplicity-complexity.md
版本化API解耦更新节奏 已复用 notes/_topics/service-adaptation-compatibility.md
大规模下不为单机报警 已复用 notes/_topics/logging-observability.md
用时间序列规则取代探测脚本 已复用 notes/_topics/logging-observability.md
低门槛埋点需配规则校验 已复用 notes/_topics/logging-observability.md
抓取时生成合成指标 已复用 notes/_topics/logging-observability.md
时间序列靠标签集合命名 已复用 notes/_topics/logging-observability.md
逐级汇总算出错误比率 已复用 notes/_topics/logging-observability.md
报警要设持续时间并合并 已复用 notes/_topics/logging-observability.md
监控系统分层部署汇总 已复用 notes/_topics/logging-observability.md
监控规则也要模板化测试 已复用 notes/_topics/logging-observability.md
值班时间上限推出团队规模 已复用 notes/_topics/incident-response.md
每日报警中值应接近零 已复用 notes/_topics/incident-response.md
值班补贴设上限控制比例 已复用 notes/_topics/incident-response.md
运维过载时把报警交回研发 已复用 notes/_topics/toil-automation.md
排障的三类常见陷阱 已复用 notes/_topics/debugging-root-cause.md
每份故障报告都应成为Bug 已复用 notes/_topics/debugging-root-cause.md
日志要能动态调级与过滤 已复用 notes/_topics/logging-observability.md
对分法逐层缩小故障范围 已复用 notes/_topics/debugging-root-cause.md
先查最后一次修改 已复用 notes/_topics/debugging-root-cause.md
设计排障测试的五个考量 已复用 notes/_topics/debugging-root-cause.md
全链路请求ID加速排障 已复用 notes/_topics/logging-observability.md
带外通道须可靠且常演练 已复用 notes/_topics/incident-response.md
限速分发配置延缓崩溃 已复用 notes/_topics/change-release-safety.md
排障工具不能依赖故障系统 已复用 notes/_topics/incident-response.md
主动故障测试揭示隐藏依赖 已复用 notes/_topics/chaos-engineering.md
大规模重建暴露恢复瓶颈 已复用 notes/_topics/backup-disaster-recovery.md
主修人无暇顾及协调沟通 已复用 notes/_topics/incident-response.md
维护实时事故状态文档 已复用 notes/_topics/incident-response.md
总控交接须明确确认 已复用 notes/_topics/incident-response.md
事故管理的七条实践 已复用 notes/_topics/incident-response.md
事后总结要协作并广泛传播 已复用 notes/_topics/incident-response.md
培育事后总结文化的做法 已复用 notes/_topics/security-culture-org.md
汇总分析事后总结找共性 已复用 notes/_topics/incident-response.md
无人响应的报警自动升级 已复用 notes/_topics/incident-response.md
用自由标签给故障分类 已复用 notes/_topics/incident-response.md
故障记录兼作交接与审计 已复用 notes/_topics/incident-response.md
测试降低变更的不确定性 已复用 notes/_topics/testing-effectiveness.md
传统测试的三个层级 已复用 notes/_topics/testing-effectiveness.md
配置测试核对生产与仓库 已复用 notes/_topics/testing-effectiveness.md
压力测试找出崩溃边界 已复用 notes/_topics/testing-effectiveness.md
从最关键处补测试 已复用 notes/_topics/testing-effectiveness.md
构建失败须立即修复 已复用 notes/_topics/ci-cd-pipeline-design.md
随机测试要记录种子重跑 已复用 notes/_topics/testing-effectiveness.md
测试要在走神前给出结果 已复用 notes/_topics/testing-effectiveness.md
配置文件只能二选一 已复用 notes/_topics/testing-effectiveness.md
配置格式要限定加载时间 已复用 notes/_topics/testing-effectiveness.md
工具发现异常只报不修 已复用 notes/_topics/testing-effectiveness.md
已知请求兼作生产探针 已复用 notes/_topics/logging-observability.md
运维者最适合写运维工具 已复用 notes/_topics/toil-automation.md
意图表达的四个抽象层次 已复用 notes/_topics/capacity-scheduling.md
表达意图需三类信息 已复用 notes/_topics/capacity-scheduling.md
容量规划化为线性规划 已复用 notes/_topics/capacity-scheduling.md
内部工具先找没方案的团队 已复用 notes/_topics/toil-automation.md
工具应对数据来源保持不可知 已复用 notes/_topics/toil-automation.md
通才起步适时引入专家 已复用 notes/_topics/org-architecture-alignment.md
判断工具值不值得做大 已复用 notes/_topics/toil-automation.md
写工具的SRE仍要值班 已复用 notes/_topics/toil-automation.md
最优分配取决于请求类型 已复用 notes/_topics/load-balancing.md
DNS负载均衡的固有局限 已复用 notes/_topics/load-balancing.md
虚拟IP隐藏后端细节 已复用 notes/_topics/load-balancing.md
一致性哈希避免连接重置 已复用 notes/_topics/load-balancing.md
转发数据包的三种方式 已复用 notes/_topics/load-balancing.md
负载不均就是容量浪费 已复用 notes/_topics/load-balancing.md
并发上限难辨慢与坏 已复用 notes/_topics/load-balancing.md
跛脚鸭状态实现无损下线 已复用 notes/_topics/load-balancing.md
用子集限制连接数量 已复用 notes/_topics/load-balancing.md
确定性算法均分子集 已复用 notes/_topics/load-balancing.md
轮询失衡的四个原因 已复用 notes/_topics/load-balancing.md
分页限制单请求成本 已复用 notes/_topics/overload-protection-degradation.md
最闲轮询要防地漏效应 已复用 notes/_topics/load-balancing.md
加权轮询依据后端反馈 已复用 notes/_topics/load-balancing.md
过载时先给降级回复 已复用 notes/_topics/overload-protection-degradation.md
按用户配额隔离全局过载 已复用 notes/_topics/overload-protection-degradation.md
用执行器负载判断过载 已复用 notes/_topics/overload-protection-degradation.md
少数过载才值得重试 已复用 notes/_topics/overload-protection-degradation.md
重试的三道限制 已复用 notes/_topics/overload-protection-degradation.md
连接本身也会造成过载 已复用 notes/_topics/overload-protection-degradation.md
过载时既不崩溃也不全拒 已复用 notes/_topics/overload-protection-degradation.md
连锁故障源于正反馈 已复用 notes/_topics/overload-protection-degradation.md
资源耗尽的连锁副作用 已复用 notes/_topics/overload-protection-degradation.md
防过载的五种手段 已复用 notes/_topics/overload-protection-degradation.md
队列宜短于线程池 已复用 notes/_topics/overload-protection-degradation.md
流量抛弃先丢不值得做的 已复用 notes/_topics/overload-protection-degradation.md
降级模式也要定期演练 已复用 notes/_topics/overload-protection-degradation.md
重试把小过载放大成崩溃 已复用 notes/_topics/overload-protection-degradation.md
截止时间别远超平均延迟 已复用 notes/_topics/overload-protection-degradation.md
分清延迟缓存与容量缓存 已复用 notes/_topics/overload-protection-degradation.md
连锁故障的常见触发点 已复用 notes/_topics/overload-protection-degradation.md
压测到崩溃还要测恢复 已复用 notes/_topics/overload-protection-degradation.md
测试大客户与非关键依赖 已复用 notes/_topics/overload-protection-degradation.md
连锁故障的应急手段 已复用 notes/_topics/overload-protection-degradation.md
优化常态可能放大灾难 已复用 notes/_topics/overload-protection-degradation.md
关键状态交给共识系统 已复用 notes/_topics/distributed-consensus.md
共识缺位就只能人工切换 已复用 notes/_topics/distributed-consensus.md
多数协调问题本质是共识 已复用 notes/_topics/distributed-consensus.md
异步共识无法保证有限时间 已复用 notes/_topics/distributed-consensus.md
Paxos两阶段与多数交集 已复用 notes/_topics/distributed-consensus.md
共识应作为服务而非库 已复用 notes/_topics/distributed-consensus.md
复制状态机 已复用 notes/_topics/distributed-consensus.md
共识之上的三种协调原语 已复用 notes/_topics/distributed-consensus.md
多数副本失联时的强制重配置 已复用 notes/_topics/distributed-consensus.md
SRE也可以从服务撤出 已复用 notes/_topics/devops-adoption.md
可靠队列与原子广播 已复用 notes/_topics/distributed-consensus.md
稳定领头人避免提议者决斗 已复用 notes/_topics/distributed-consensus.md
强一致读的三种做法 已复用 notes/_topics/distributed-consensus.md
共识写性能受网络与磁盘限制 已复用 notes/_topics/distributed-consensus.md
快速Paxos未必更快 已复用 notes/_topics/distributed-consensus.md
副本数按故障与维护选 已复用 notes/_topics/distributed-consensus.md
副本位置权衡故障域与延迟 已复用 notes/_topics/distributed-consensus.md
层级仲裁减轻关键副本依赖 已复用 notes/_topics/distributed-consensus.md
共识系统的监控要点 已复用 notes/_topics/distributed-consensus.md
周期任务宁可漏跑不可重跑 已复用 notes/_topics/distributed-consensus.md
分布式Cron的新约束 已复用 notes/_topics/distributed-consensus.md
基础服务的依赖越少越好 已复用 notes/_topics/high-availability-architecture.md
启动前后各同步一次 已复用 notes/_topics/distributed-consensus.md
日志靠快照截断并分层保存 已复用 notes/_topics/distributed-consensus.md
用问号打散整点任务 已复用 notes/_topics/capacity-scheduling.md
单相与多相流水线 已复用 notes/_topics/data-batch-dag.md
周期流水线随数据增长变脆 已复用 notes/_topics/data-batch-dag.md
执行间隔不能低于调度延迟 已复用 notes/_topics/data-batch-dag.md
周期任务失败时没有指标 已复用 notes/_topics/data-batch-dag.md
惊群与摩尔负载模式 已复用 notes/_topics/capacity-scheduling.md
Workflow的MVC分工 已复用 notes/_topics/data-batch-dag.md
Workflow四重正确性保障 已复用 notes/_topics/data-batch-dag.md
全局引用保障流水线续跑 已复用 notes/_topics/data-batch-dag.md
完整性要求远高于可用性 已复用 notes/_topics/backup-disaster-recovery.md
多存储混用会破坏引用完整性 已复用 notes/_topics/backup-disaster-recovery.md
交付恢复能力而非备份任务 已复用 notes/_topics/backup-disaster-recovery.md
数据丢失的二十四种组合 已复用 notes/_topics/backup-disaster-recovery.md
时间点恢复难则分级备份 已复用 notes/_topics/backup-disaster-recovery.md
越底层的备份越不新鲜 已复用 notes/_topics/backup-disaster-recovery.md
分级备份的保留策略 已复用 notes/_topics/backup-disaster-recovery.md
冗余系统要选常用的 已复用 notes/_topics/backup-disaster-recovery.md
脏数据会随时间扩散 已复用 notes/_topics/backup-disaster-recovery.md
带外校验只查毁灭性问题 已复用 notes/_topics/backup-disaster-recovery.md
校验框架由中央团队提供 已复用 notes/_topics/backup-disaster-recovery.md
只有真恢复过才算能恢复 已复用 notes/_topics/backup-disaster-recovery.md
磁带是防同层故障的底线 已复用 notes/_topics/backup-disaster-recovery.md
阶段间隔假设会被增长打破 已复用 notes/_topics/backup-disaster-recovery.md
海量恢复是一场后勤战 已复用 notes/_topics/backup-disaster-recovery.md
数据完整性的五条理念 已复用 notes/_topics/backup-disaster-recovery.md
发布协调工程师的角色 已复用 notes/_topics/change-release-safety.md
发布流程的五个特征 已复用 notes/_topics/change-release-safety.md
新领域要重写检查列表 已复用 notes/_topics/change-release-safety.md
发布容量要按尖峰准备 已复用 notes/_topics/capacity-scheduling.md
发布计划要备好退路 已复用 notes/_topics/change-release-safety.md
自动请求必须加抖动 已复用 notes/_topics/overload-protection-degradation.md
服务端下发配置控制客户端 已复用 notes/_topics/centralized-config-management.md
灰度发布逐级放大 已复用 notes/_topics/change-release-safety.md
功能开关框架的要求 已复用 notes/_topics/change-release-safety.md
过载行为难以预测要压测 已复用 notes/_topics/overload-protection-degradation.md
低风险发布走简化检查 已复用 notes/_topics/change-release-safety.md
基础设施变更须自带迁移 已复用 notes/_topics/change-release-safety.md
随机工单不是培训 已复用 notes/_topics/incident-response.md
按请求路径组织课程 已复用 notes/_topics/incident-response.md
用小项目代替琐事 已复用 notes/_topics/incident-response.md
SRE需要的三种能力 已复用 notes/_topics/incident-response.md
反向工程一个生产服务 已复用 notes/_topics/incident-response.md
事后总结是最好的教材 已复用 notes/_topics/incident-response.md
命运之轮角色扮演演练 已复用 notes/_topics/incident-response.md
先猜后压摧毁练习集群 已复用 notes/_topics/incident-response.md
让新人维护学习清单 已复用 notes/_topics/incident-response.md
运维负载的三种类型 已复用 notes/_topics/interrupt-focus-management.md
中断策略看五个指标 已复用 notes/_topics/interrupt-focus-management.md
值班那周不排项目 已复用 notes/_topics/interrupt-focus-management.md
非值班别抢着处理工单 已复用 notes/_topics/interrupt-focus-management.md
工单也要交接与复盘 已复用 notes/_topics/interrupt-focus-management.md
嵌入SRE的三个阶段 已复用 notes/_topics/devops-adoption.md
识别即将爆发的隐患 已复用 notes/_topics/devops-adoption.md
先帮团队定下SLO 已复用 notes/_topics/slo-error-budget.md
带成员亲手修而非代劳 已复用 notes/_topics/devops-adoption.md
团队接口像API一样设计 已复用 notes/_topics/org-architecture-alignment.md
生产会议的默认议程 已复用 notes/_topics/security-culture-org.md
专业化要配团队章程 已复用 notes/_topics/org-architecture-alignment.md
角色明确与动态的取舍 已复用 notes/_topics/org-architecture-alignment.md
跨地域项目的协作要点 已复用 notes/_topics/org-architecture-alignment.md
短期贡献会稀释所有权 已复用 notes/_topics/org-architecture-alignment.md
共同愿景促成重复项目合并 已复用 notes/_topics/org-architecture-alignment.md
新旧系统输出比对验证迁移 已复用 notes/_topics/testing-effectiveness.md
SRE参与的三种模型 已复用 notes/_topics/devops-adoption.md
SRE关注的六个生产方面 已复用 notes/_topics/devops-adoption.md
无SRE时靠指南与咨询 已复用 notes/_topics/devops-adoption.md
生产就绪评审的流程 已复用 notes/_topics/devops-adoption.md
PRR检查列表要因服务而定 已复用 notes/_topics/devops-adoption.md
早期参与把可靠性设计进去 已复用 notes/_topics/devops-adoption.md
隐形发布用复制流量练兵 已复用 notes/_topics/change-release-safety.md
逐个接手无法随服务扩展 已复用 notes/_topics/devops-adoption.md
把最佳实践做成服务框架 已复用 notes/_topics/devops-adoption.md
平台归SRE业务归研发 已复用 notes/_topics/org-architecture-alignment.md
演习要逼真到难辨真假 已复用 notes/_topics/incident-response.md
预留冗余应对突发需求 已复用 notes/_topics/capacity-scheduling.md
向真实使用者收集需求 已复用 notes/_topics/user-research-methods.md(向真实使用者与维护者收集需求)
安全文化自上而下贯彻 已复用 notes/_topics/security-culture-org.md
用自动校验防止输入错误 已复用 notes/_topics/fail-safe-defaults.md
响应时限决定是否自动化 已复用 notes/_topics/toil-automation.md
稳定行业靠手册不轻易改动 已复用 notes/_topics/change-release-safety.md
故障代价决定变更速度 已复用 notes/_topics/change-release-safety.md
驾驶舱始终只有两名飞行员 已复用 notes/_topics/toil-automation.md
容量预测要持续对照实际 已复用 notes/_topics/capacity-scheduling.md
事故文档要写明退出条件 已复用 notes/_topics/incident-response.md
事后总结记下幸运因素 已复用 notes/_topics/incident-response.md

本轮整书笔记交接

  • 381张原知识卡路径和字节hash与本轮基线一致,未新建或删改。
  • schema 1;48来源位置、逐卡primary与出处在整书笔记,实际缓存/EPUB清单见evidence。
  • 轻量模式:本轮未执行笔记复核、独立审查及审查结果优化;历史报告保留。
  • V10-08、14、15、16、18等历史P2延期依原报告保留,未在本轮擅自改名或合并。

2026-11-14 v24恢复验收范围

  • 总表41、数据库84,book-workflow v4 / book-notes v24 –mode light;历史v7/v8/v10/v23及六项定向修订记录保留。原概览未独立记录Skill版本字段,不补造首次版本。
  • 195原书资源与缓存逐字节核验,48项正文/123单元历史全文证据有效;按原文定点回读补齐全部单元脉络、一处空白首锚点及6处术语/文献去向。没有声称本轮重新全读。
  • 381知识卡、52节整书笔记保持六项修订后最终版本,394定位含381唯一primary、386出处。
  • 实践筛选done:保留2实现深读和1行为实验计划,连续摘录重新核验;go-zero v1.8.0与grpc-go v1.71.0固定源码12文件及tag联网复验,复用已完成首轮映射和两层计划;完整深读、源码测试和两周行为实验未执行。
  • 用户此前明确要求保留已有等价关联显示状态,本书148项skipped及其既有语义边本轮保持不变;不将此显示状态误报为pending或缺正式关联。
  • light未执行生成后复核、独立审查及审查结果优化;本次导入、归档、总表及最终验收见_workflow.md。

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。

主题索引

分布式存储与复制

比较 GFS、HDFS、BigTable、MongoDB、RabbitMQ 等系统的租约、写确认、副本同步、选主与脑裂处理。

501 张卡片 · 64 本书

主题索引

高可用与异地多活架构

比较主备、主从、集群、分区与异地多活等高可用架构的适用范围、数据同步与代价。

398 张卡片 · 79 本书

主题索引

过载保护与优雅降级

比较限流、减载、退避重试、分级依赖与防御成本的过载应对手段。

386 张卡片 · 68 本书

主题索引

指标与监控

时序模型与拉推采集、黄金指标与分位、探针与 APM、容量与负载、监控分层。

382 张卡片 · 58 本书

主题索引

分布式共识与领导者选举

比较分布式共识、领导者选举、副本数量与一致性模型的可靠性取舍。

376 张卡片 · 41 本书

主题索引

测试有效性与验证手段

比较单元测试、变异、模糊测试、静态分析与故障注入各自能证明什么。

366 张卡片 · 63 本书

主题索引

容量规划与资源调度

比较冗余容量、故障域、逻辑与物理资源解耦等容量规划与调度方法。

344 张卡片 · 74 本书

主题索引

变更发布与回滚安全

比较变更速度、渐进发布、紧急发布与回滚边界的工程控制。

312 张卡片 · 75 本书

主题索引

组织与架构协同演进

比较团队边界、组织结构与技术架构如何对齐,以及组织惯性对架构变革的影响。

255 张卡片 · 57 本书

主题索引

CI/CD流水线设计

流水线的资源模型、任务隔离与显式依赖、定义与运行分离、事件触发,以及构建/发布/运行分离和配置外置如何让同一制品安全跨环境交付。

231 张卡片 · 36 本书

主题索引

事件响应与处置

比较事故/安全事件的分级、指挥、沟通、演练与交接做法。

205 张卡片 · 31 本书

主题索引

追踪与上下文

Trace/Span 模型、标识与上下文传播、采样取舍、OpenTelemetry 与采集器管道。

199 张卡片 · 44 本书

主题索引

备份与故障恢复

比较备份独立性、恢复可验证性与恢复阶段的设计要点。

198 张卡片 · 40 本书

主题索引

一致性模型与CAP权衡

比较顺序一致性、线性一致性、外部一致性等一致性模型,以及 CAP、弱 CAP、HAT、PACELC 对系统取舍的刻画。

193 张卡片 · 49 本书

主题索引

最小特权与访问控制

比较最小权限、多方审批、紧急绕过与访问审计的设计取舍。

175 张卡片 · 72 本书

主题索引

日志、审计与取证

日志该记什么、怎么分级与结构化,采集管道与存储成本,以及审计证据与安全事件还原。

167 张卡片 · 46 本书

主题索引

负载均衡

比较负载均衡的分层组合方式与各类分配算法的取舍。

163 张卡片 · 55 本书

主题索引

混沌工程与韧性实验

比较混沌工程的稳态假设、实验设计、生产验证、爆炸半径控制与自动化,以及组织采纳成熟度对系统韧性的作用。

149 张卡片 · 18 本书

主题索引

DevOps落地与组织协作

DevOps 在组织中的适用边界与推进顺序:稳态与敏态系统的区分、工具与流程文化的关系、责任共担取代交接审批、分支模型与团队能力的匹配。

148 张卡片 · 32 本书

主题索引

数据交换格式设计

比较数据交换格式的简洁性、互通性与安全解析要求。

146 张卡片 · 38 本书

主题索引

服务适配与兼容性

比较服务组合中接口与协议失配的分类、适配器的生成与合成方式,以及兼容性分层与组合验证。

146 张卡片 · 38 本书

主题索引

虚拟化网络

比较 Linux 网络栈、虚拟网卡与网桥、VLAN/VXLAN、容器网络模式与 CNI 等虚拟化网络机制。

114 张卡片 · 26 本书

主题索引

可观测性工程化

三支柱的关系与成本、自建与采购、成熟度演进、组织文化与工具化落地。

112 张卡片 · 27 本书

主题索引

故障、部分失效与分布式时钟

比较故障与失效、部分失效、网络与超时的不确定性、时钟漂移与进程暂停,以及系统模型如何界定这些假设。

112 张卡片 · 41 本书

主题索引

服务水平目标与错误预算

比较如何定义 SLI/SLO/SLA、设定可靠性目标,以及用错误预算平衡稳定性与变更速度。

107 张卡片 · 23 本书

主题索引

配置中心与配置治理

比较配置外置到版本仓库、启动配置与业务配置的分离、按应用与环境匹配资源、敏感配置加密、配置服务高可用与消息总线动态刷新的做法与取舍。

99 张卡片 · 29 本书

主题索引

琐事与运维自动化

比较如何识别和控制重复性运维工作,以及自动化的演进阶段、收益与风险。

85 张卡片 · 21 本书

主题索引

故障排查与根因分析

比较排查系统问题时的假设管理、基线对比与复现方法。

74 张卡片 · 21 本书

主题索引

批处理与 DAG:MapReduce 的代价与图执行

批量计算的执行模型:Map 与 Reduce 的边界、Shuffle 为什么是成本中心、本地性与重算代价、DAG 怎样突破两阶段落盘、作业链与调度怎样编排,以及 MapReduce 这类模型能解决与不能解决的边界。

73 张卡片 · 19 本书

主题索引

简单性与复杂度控制

比较区分必要与意外复杂度、删减代码与接口、以简化方案推进工程的做法。

72 张卡片 · 25 本书

主题索引

告警与 SLO

告警规则与路由、SLO 与错误预算、告警疲劳,以及怎样让告警对应可行动的响应。

51 张卡片 · 22 本书

主题索引

故障时的安全默认状态

比较组件失效时选择开放、关闭或停滞的依据与被利用风险。

30 张卡片 · 17 本书

主题索引

用户研究方法

比较访谈、情境观察、问卷与环境调研等用户研究方法及其偏差控制。

24 张卡片 · 5 本书