知识卡片

普通读书笔记卡 · 5332.a

没有SRE也能起步SRE

理解等级:中级

本章目标是打破“只有 Google 规模或 Google 文化才能做 SRE”的想法,给出从人手不足到成熟、乃至全球分布的 SRE 组织路线图,并提炼三条原则。

原则1:SRE 需要有后果的 SLO——相对于 SLO 的服务表现应指导业务决策。即使一个 SRE 都没有,也能做:承认不需要 100% 可靠;设定衡量对用户最重要的可靠性的合理 SLO;商定捍卫用户体验的错误预算政策,用于指导减少停机或使系统恢复可靠的战术措施,以及让系统更可靠、减少预算消耗的长期排序;测量 SLO 并承诺执行政策——需要公司领导同意。理由:隐含的 100% SLO 意味着团队只能被动应对。

招第一个 SRE:候选人可能没有明确的 SRE 经历,面试可覆盖运维(生产运行的洞察)、软件工程(理解并有权改进所支持的软件)、监控(SLO 要能测量和解释)、生产自动化(扩展运维靠自动化)、系统架构(扩展应用靠好架构)。第一个 SRE 处在速度与可靠性之间模糊而困难的位置,需要韧性和灵活性。

放在哪里:产品开发团队、运维团队,或跨团队咨询的横向角色。考虑:你的角色和影响范围(能有效影响产品开发时,放在运维或横向角色能尽早解决恼人的生产问题);眼前的挑战(需要动手缓解技术问题或业务风险时,放进运维或产品团队可打破孤岛);未来 12 个月的挑战(专注发布→产品团队,专注基础设施变化→运维团队);组织规划(计划走向集中式 SRE 组织,就别先嵌入产品团队,以后很难抽出来);这个人的背景技能。可以试验不同模型,但强烈建议长期采用一种稳定一致的模型,不稳定会破坏 SRE 的有效性。

引导第一个 SRE:先熟悉服务——当前问题、琐事量、让系统保持在 SLO 内所需的工程;还没有 SLO 和错误预算就先把它们做出来。原则2:SRE 必须有时间让明天比今天更好——否则琐事随使用增长,系统越来越大越复杂;琐事过重,优秀工程师会离开。初始项目可以是:改进监控、处理最近事后总结中的高优先级行动项、用自动化减少特定琐事。SRE 要发挥独特作用、让项目惠及全队。警示信号:工作与其他工程工作没有区别;在产品团队中承担远超公平份额的运维,或成了唯一做服务配置变更的人;SLO 不受重视,衡量和捍卫客户体验没有进展。

分布式 SRE:没有(也不打算有)独立 SRE 团队时,要为分散的 SRE 建立社区,倡导 SRE 的独特角色并推动以可靠性为中心的实践,否则个人会非常孤立。

译文提示:本书为社区机器辅助译本,本卡按上下文和官方英文版理解,引文保留中文原样。

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

    参考来源

    - 位置:《谷歌站点可靠性工作手册》第20章《第20章 SRE团队生命周期》20 SRE团队生命周期;没有SRE的SRE实践;开始担任SRE角色(源文件:extracted/谷歌站点可靠性工作手册/_epub-src/OEBPS/Text/27.html,来源项目 book-sources) - 结论依据:第20章提出原则1“SRE需要有后果的SLO”并说明没有SRE也能先做SLO与错误预算政策,给出首个SRE的面试领域、三种安置位置及考量、引导任务和原则2“SRE必须有时间让明天比今天更好”,列出SRE工作失效的警示信号与分布式SRE社区的必要性。 - 原始内容:相对于SLO的服务性能应指导您的业务决策。