知识卡片

普通读书笔记卡 · 5327

识别即将爆发的隐患

理解等级:高级

找出团队现有的最大压力来源后,还要检查可能变成下一次紧急情况的信号:

  • 新子系统缺乏自我管理能力。
  • 成员过度专业化,值班时缺乏系统知识广度。
  • SRE 自研功能未获得正式上线应有的关注。
  • 指望“马上上线”的新方案,放任现有问题数月。
  • 警报长期被所有人忽略。
  • 有客户投诉,却没有对应 SLO。
  • 容量规划只会加服务器。
  • 事后总结的待办只有“回滚变更”。
  • 关键组件被一句“只有开发懂”带过。

发散:把清单用于团队自查,找出尚未转化为工程治理的风险。参见[[运维压力过低同样是风险]]。

这张卡片看不懂?

已有反馈 · 0 / 10 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 第30章 通过嵌入SRE的方式帮助团队从运维过载中恢复 · 查看原书依据

      一旦你确定了该团队现有的最大问题之后,下一步就应该关注那些即将要发生的紧急情况。大部分时候,即将发生的紧急情况是以一个新的、没有被设计成自我管理的子系统的形式出现的。其他的来源包括: 知识代沟 在大型团队中,团队成员可能会过度专业化。当一个团队成员过于专业化时,他在on-call时就会由于缺乏广泛的知识而需要帮助。同时,他的过度专业化反而会导致其他团队成员缺乏只有他才了解的关键系统的知识。

    参考来源

    - 位置:《SRE:Google运维解密》第30章《通过嵌入SRE的方式帮助团队从运维过载中恢复》(源文件:`_epub-src/OEBPS/Text/0010_0003.xhtml`) - 结论依据:原文列出嵌入 SRE 需要识别的多类“导火索”,说明各自为何会演变成紧急情况。 - 原始内容:大部分时候,即将发生的紧急情况是以一个新的、没有被设计成自我管理的子系统的形式出现的。