知识卡片

普通读书笔记卡 · 5332.a.1

组建首个SRE团队的风险

理解等级:高级

三种组建方式(由简到繁):在重大项目中新建团队(规模足以支撑新招聘、且可靠性和可运维性已被认定为项目风险,如新服务或迁移公有云);组建横向 SRE 团队(小团队跨多个团队咨询,并建立配置管理、监控告警的最佳实践和工具);原地转换现有团队(运维团队,或管理广泛使用的开源组件的团队)——切忌没先应用 SRE 实践就把“运维”改名为“SRE”,品牌重塑失败会让组织将来完全无视 SRE 概念。

原则3:SRE 团队有能力调节自己的工作量——三条原则中最微妙的,易解释、难落地。用塔克曼模型(组建—震荡—规范—表现)逐步推进。

组建:团队应具备——为可靠性和性能修改应用软件;写软件加快发现和缓解生产问题、自动化手工流程;建立并使用强软件实践和标准;有条理、谨慎地做业务变更并能说明为什么某些做法可靠;理解分布式系统设计与运维。最好通过内部转岗播种,缩短启动时间。 震荡:提供定期论坛学习讨论 SRE 实践并反思表现(播放 SREcon 视频的午餐会、读书会);鼓励团队说出组织中不适合的 SRE 做法,以及是否值得为适应而改。

风险与缓解: - 重大项目中的新团队——风险:一次接太多服务、疲于救火;过于内省地钻研 SRE 原理而交付不足(打磨完美 SLO 定义时累垮,却忽视服务需求);没有彻底检查工作,服务管理退回老路(每天被呼 100 次,因为不需立即干预就忽略);为赶产品里程碑放弃 SRE 原则(捍卫 SLO 的架构改进因拖延进度永远不做);与认为自己将失去影响力的现有团队冲突;技能不全(不会编程就无法给产品加可靠性测量)。缓解:先接一项重要服务;尽早(最好在设计阶段)参与,重点定义 SLO、分析设计固有的可靠性风险;与产品团队合作做可靠性功能和与现有运维平台的集成;第一天不承担运维,先由产品或项目团队负责(需要管理层支持的文化变化);接手服务前达成明确协议;迁移项目要懂新旧环境;新人保持在团队三分之一以下,免得培训压垮老成员; - 横向团队——风险:被视为没有实际工作和价值的“召唤”组织(顾问团)。缓解:由受尊敬、有相关专长的工程师组成;做交付工具的项目(监控、告警、部署、最佳实践、清单),短期内至少惠及另外两个团队;宣传成功和收益;把自己当推动者而不是看门人,关注解决方案而不只是问题; - 转换的团队——风险:把转换看作自动化取代人、缓慢失业的开始;不支持变更;人手不够改变日常;几个月后日常工作没有改善;运维的系统不支持脚本或自动化;缺软件工程技能或学习意愿。缓解:争取高层支持;重新协商职责腾出人力;非常小心地管理沟通;提供个人和技术支持;正面应对失业担忧——自动化通常只消除部分工作,腾出时间做更好的事,经验在组织内外都更有价值;培训(产品团队提供产品培训);改变绩效评估——团队指标与 SLO 对齐,个人指标与 SRE 技能证据对齐;加入有经验的 SRE 或开发者;给予引入新开源或云监控告警系统的自由(预算和时间),但先判断现有系统是否够用;定期与利益相关方审查进度。

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 您的第一个SRE团队;组建;震荡期;风险和缓解措施(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章说明在重大项目中新建、组建横向团队、原地转换三种组建首个SRE团队的方式,提出原则3“SRE团队有能力调节其工作量”,按塔克曼模型的组建与震荡阶段给出团队技能与凝聚做法,并分别列出三类团队的典型风险与缓解措施。 - 原始内容:继续将新员工人数保持在不到团队的三分之一,以使培训工作不会淹没现有团队成员。