SRE運維體系的構(gòu)建和工作職責(zé)劃分。

可觀測性系統(tǒng)

在任何有一定規(guī)模的企業(yè)內(nèi)部，一旦推行起來整個SRE的運維模式，那么對于可觀測性系統(tǒng)的建設(shè)將變得尤為重要，而在整個可觀測性系統(tǒng)中，通常我們會分為如下三個方面：

指標(biāo)監(jiān)控：即各種指標(biāo)監(jiān)控，比如基礎(chǔ)資源指標(biāo)，服務(wù)性能指標(biāo)，業(yè)務(wù)的調(diào)用指標(biāo)。

日志：各種設(shè)備以及服務(wù)的運行日志監(jiān)控。

調(diào)用鏈：業(yè)務(wù)層面的調(diào)用鏈分析，通常在分布式系統(tǒng)中幫助運營、開發(fā)以及運維人員快速識別整體調(diào)用的瓶頸點

一整套的可觀測系統(tǒng)，它能確保你洞察系統(tǒng)，跟蹤系統(tǒng)的健康狀態(tài)、可用性以及系統(tǒng)內(nèi)部發(fā)生的事情。

對于整個可觀測系統(tǒng)的建設(shè)，需要注意如下兩點：

確定質(zhì)量標(biāo)準(zhǔn)是什么，并確保系統(tǒng)持續(xù)逼近或保持在質(zhì)量標(biāo)準(zhǔn)極限范圍內(nèi)

系統(tǒng)地關(guān)注這項工作—而不應(yīng)該只是隨機地查看一下系統(tǒng)

在整個企業(yè)級可觀測系統(tǒng)中，我認為至少應(yīng)該包括如下幾個特征：

完備指標(biāo)采集：可以對接企業(yè)內(nèi)大部分的設(shè)備與技術(shù)棧相應(yīng)的監(jiān)控指標(biāo);同時，支持常見設(shè)備的監(jiān)控指標(biāo)體系，可以快速接入監(jiān)控設(shè)備和指標(biāo)，避免所有設(shè)備監(jiān)控都是從頭構(gòu)建;對于日志數(shù)據(jù)的采集支持

海量設(shè)備支持：企業(yè)IT系統(tǒng)數(shù)量和規(guī)模越來越大，因此監(jiān)控系統(tǒng)比以前需要監(jiān)控海量設(shè)備監(jiān)控。

監(jiān)控數(shù)據(jù)存儲和分析：監(jiān)控數(shù)據(jù)是運維分析、運維自動化和智能化的基礎(chǔ)，因此海量監(jiān)控數(shù)據(jù)存儲以及基于監(jiān)控數(shù)據(jù)的可視化分析是一個監(jiān)控系統(tǒng)的基本能力。

可觀測系統(tǒng)是整個運維體系的基礎(chǔ)，它需要提供整個運維體系的數(shù)據(jù)化支持。

因此，一個企業(yè)級的可觀測性系統(tǒng)應(yīng)該是平臺化的。一方面可以通過配置或者開發(fā)實現(xiàn)更多 運維指標(biāo)的接入;另一方面，亦可對接更多的專業(yè)運維工具，整合并打通多元的運維數(shù)據(jù)，為更多運維場景提供數(shù)據(jù)服務(wù)。從整體上，可觀測性系統(tǒng)為企業(yè)運維提供了一個數(shù)據(jù)基礎(chǔ)，讓我們對事故響應(yīng)以及容量預(yù)測等方面更多使用數(shù)據(jù)而非憑借以往經(jīng)驗和拍腦袋做出決策。

故障響應(yīng)

如果有什么東西出了故障，該如何提醒大家并做出回應(yīng)？工具可以幫助解決這個問題，國為它可以定義提醒人類的規(guī)則。

故障響應(yīng)是建立在使用可觀測性系統(tǒng)構(gòu)建的數(shù)據(jù)之上，并借助反饋循環(huán)，來幫助我們加強對服務(wù)的監(jiān)控。

故障響應(yīng)通常包含如下幾個動作：

關(guān)注：不論是主動發(fā)現(xiàn)瓶頸點或異常點，還是通過可觀測性系統(tǒng)被動暴露瓶頸點，我們都應(yīng)該進行主動關(guān)注

交流：及時將觀察到風(fēng)險點通知到相關(guān)方，并告知影響面以及相關(guān)的補救措施

恢復(fù)：三方達成一致后，根據(jù)補救措施進行修復(fù)相關(guān)風(fēng)險點和異常點

需要注意的是，如果在前期整個可觀測性系統(tǒng)能夠做好，通常故障應(yīng)當(dāng)始于一個簡單的告警信息或一個報障電話，因此，通常情況下，可觀測系統(tǒng)做的足夠好僅能起到追溯和排查的作用，但是無法起到及時發(fā)現(xiàn)的作用，此時就需要依賴于各個觀測數(shù)據(jù)進行計算和評估告警，以及時將相關(guān)的告警通知到相關(guān)人，以暴露風(fēng)險點。

告警只是整個故障響應(yīng)的第一個環(huán)節(jié)，解決的是故障如何發(fā)現(xiàn)的問題，而大多數(shù)的故障響應(yīng)工作都是關(guān)于定義處理策略和提供培訓(xùn)的，以便人們在收到警報時知道該怎么做，通常這部分更多的是過去歷史經(jīng)驗和運維經(jīng)歷的總結(jié)和沉淀，包括經(jīng)驗的一些抽象和工具化沉淀，以保證故障響應(yīng)的效率和普遍化（即不依賴人為經(jīng)驗）。

而對于整個告警系統(tǒng)來說，需要確保的是告警的有效性，否則，整個報警系統(tǒng)很有可能淪落為垃圾數(shù)據(jù)制造機，告警有效性意味著需要滿足如下兩個需求：

告警及時性：系統(tǒng)有問題需要及時通過告警信息告知運維處理人員及時處理告警;

告警準(zhǔn)確性：只要有告警信息系統(tǒng)必然出現(xiàn)問題（對于很多企業(yè)可能存在大量的無用告警，比如磁盤問題，mem等相關(guān)問題，當(dāng)然這里涉及到了自動化、業(yè)務(wù)形態(tài)、告警閾值的問題）;

在整個運維過程中，我們經(jīng)常會發(fā)現(xiàn)有大量的無關(guān)緊要的告警信息，讓運維人員的注意力迷失在告警海洋當(dāng)中，而通常非運維領(lǐng)域的領(lǐng)導(dǎo)會關(guān)注整個告警的響應(yīng)程度，因此，抑制和消除無效的告警，讓運維人員不被告警風(fēng)暴所吞沒，也是告警管理中重點建設(shè)的內(nèi)容。

通常情況，在我們的各個可觀測系統(tǒng)構(gòu)建完成后，可以通過整合到監(jiān)控平臺中的各種監(jiān)控數(shù)據(jù)，應(yīng)用趨勢預(yù)測、短周期檢測、間歇性恢復(fù)、基線判斷、重復(fù)壓縮等算法和手段實現(xiàn)告警壓縮收斂，強化告警的有效性。

同時，面向一線的運維人員，我們需要根據(jù)同一個系統(tǒng)或設(shè)備的多個監(jiān)控指標(biāo)進行綜合性建模和分析，匯總成一個健康度的分值，給予一線運維人員系統(tǒng)的基于健康度的系統(tǒng)分層評價體系，真實、直觀反映系統(tǒng)運行狀態(tài)，實現(xiàn)問題快速定界。

比如，通過基礎(chǔ)資源的多個指標(biāo)進行綜合加權(quán)計算來整體評估該資源的利用率;通過一個應(yīng)用關(guān)聯(lián)的全部資源的資源利用率以及應(yīng)用的運維架構(gòu)整體建模分析來計算一個分值來整體評估該應(yīng)用的健康程度。

這個過程如果做得成熟一些，可以根據(jù)內(nèi)部已有的解決方案和告警進行閉環(huán)打通，一個簡單的場景就是，當(dāng)磁盤滿時，告警會首先觸發(fā)一次標(biāo)準(zhǔn)化的磁盤巡檢，并進行相關(guān)的可丟棄數(shù)據(jù)的刪除，如果依然無法解決該報警，下次可直接關(guān)聯(lián)到一線運維進行人工干預(yù)，之后進行標(biāo)準(zhǔn)化經(jīng)驗總結(jié)。

故障復(fù)盤

故障復(fù)盤就是對于過去的一些服務(wù)異常和服務(wù)中斷情況進行回顧和總結(jié)，以確保相同問題下次不會再出現(xiàn)。為了讓大家團結(jié)協(xié)作，我們希望建立一種無指責(zé)、透明的事后文化。個人不應(yīng)該害怕事故，而是確信如果事故發(fā)生，團隊將會響應(yīng)和改進系統(tǒng)。

備注： 其實在國內(nèi)的SRE文化中，一般只有對大型，對業(yè)務(wù)有重大影響的事故才會進行復(fù)盤，但實際上如果在時間和經(jīng)歷允許的情況下，對于一般的普通事故也應(yīng)該在小范圍進行復(fù)盤，正所謂大的故障都是從不斷的小問題一點一點積累的。另外，其實對于運維相關(guān)的個人而言，我們也應(yīng)當(dāng)及時的進行小故障復(fù)盤，以不斷加強個人的故障處理和修復(fù)能力。

我認為SRE的一個關(guān)鍵共識正是承認了系統(tǒng)的不完美性，追求永不停機的系統(tǒng)是不現(xiàn)實的?；诓煌昝老到y(tǒng)，我們無可避免要面對和經(jīng)歷系統(tǒng)故障與失敗。

所以我們重要的并非找到為這個故障責(zé)任的這個人或者那個人，而是更應(yīng)該創(chuàng)根問底地復(fù)盤這個故障和失敗的根本原因是什么，以及如何避免再次出現(xiàn)相同的故障。系統(tǒng)可靠性是整個團隊共同奮斗的方向，從失敗中快速恢復(fù)并吸取教訓(xùn)，每個人放心地提出問題，應(yīng)對停機，并努力改進系統(tǒng)。

備注：通常很多企業(yè)內(nèi)部在故障復(fù)盤過程中，相關(guān)人員可能將故障和失敗的根因追溯 不經(jīng)意間 當(dāng)做了故障定責(zé)和一系列的懲罰措施，通過一些懲戒措施來強行約定故障的發(fā)生，這種方式往往是非常不可取的，試想每個人都不想出現(xiàn)事故，要么是認知之外，要么是規(guī)則缺陷，永遠沒有一個人明知會有故障而偏偏去制造故障的。

需要牢記的是：故障是我們可以從中學(xué)習(xí)的東西，而不是讓人害怕和羞恥的事情！

在日常運維過程中，出現(xiàn)故障等事故對于我們而言其實是一個很好的復(fù)盤學(xué)習(xí)機會。通過歷史監(jiān)控數(shù)據(jù)，分析事故其中的根本原因，制定后續(xù)應(yīng)對策略，并且通過運維平臺將這些應(yīng)對策略編輯成標(biāo)準(zhǔn)化、可重用、自動化的運維應(yīng)用場景，為后續(xù)相同問題的處理提供標(biāo)準(zhǔn)且快捷的解決方案。這正是事后回顧這個過程最真實的價值體現(xiàn)。

測試與發(fā)布

測試與發(fā)布對于整個穩(wěn)定性和可靠性的主要出于一個預(yù)防的作用，預(yù)防是指嘗試限制發(fā)生的事故數(shù)量，并確保在發(fā)布新代碼時基礎(chǔ)架構(gòu)和服務(wù)能夠保持穩(wěn)定。

作為一個長期從事運維工作的人，可能內(nèi)心中最為恐懼的莫過于新應(yīng)用版本發(fā)布。因為除了硬件和網(wǎng)絡(luò)設(shè)備損壞這個屬于天災(zāi)級別的概率事件外，新應(yīng)用版本發(fā)布的第二天通常是停機與事故的高危期。所以，對于一些量級較大的產(chǎn)品通常會在節(jié)假日以及重要活動前夕進行封網(wǎng)操作，以避免新版本上線而導(dǎo)致的業(yè)務(wù)bug出現(xiàn)。

而測試是在成本和風(fēng)險之間找到適當(dāng)?shù)钠胶饣顒?。如果過于冒險，你們可能就會疲于應(yīng)付系統(tǒng)失敗;反過來說，如果你太保守，你就不能足夠快地發(fā)布新東西，讓企業(yè)在市場上生存下來。

在錯誤預(yù)算比較多（即在一段時間內(nèi)故障導(dǎo)致系統(tǒng)停機時長較少）的情況下，可以適當(dāng)減少測試資源并放寬系統(tǒng)上線的測試和條件，讓業(yè)務(wù)可以有更多的功能上線，以保持業(yè)務(wù)的敏態(tài);在錯誤預(yù)算比較少（即在一段時間內(nèi)故障導(dǎo)致系統(tǒng)停機時長較多）的情況下，則要增加測試資源并收緊系統(tǒng)上線的測試，讓系統(tǒng)的潛在風(fēng)險得到更多有效的釋放，避免系統(tǒng)停機保持系統(tǒng)的穩(wěn)態(tài)。這種敏態(tài)與穩(wěn)態(tài)之間的平衡，需要整個運維與開發(fā)團隊來共同承擔(dān)。

除了測試外，應(yīng)用發(fā)布也是一項運維團隊通常要承擔(dān)的責(zé)任。SRE的一個原則是將一切可以重復(fù)性勞動代碼化和工具化;此外，應(yīng)用發(fā)布的復(fù)雜程度往往與系統(tǒng)的復(fù)雜程度成正比。因此在應(yīng)用系統(tǒng)上規(guī)模企業(yè)，往往已經(jīng)著手基于自動化框架構(gòu)建自動化的應(yīng)用發(fā)布過程。

通過自動化發(fā)布工具，我們可以構(gòu)建流水線實現(xiàn)部署的過程中所有的操作（如編譯打包、測試發(fā)布、生產(chǎn)準(zhǔn)備、告警屏蔽、服務(wù)停止、數(shù)據(jù)庫執(zhí)行、應(yīng)用部署、服務(wù)重啟等）全部自動化。

容量規(guī)劃

容量規(guī)劃是關(guān)于預(yù)測未來和發(fā)現(xiàn)系統(tǒng)極限的，容量規(guī)劃也是為了確保系統(tǒng)可以隨著時間的推移得到完善和增強。

規(guī)劃的主要目標(biāo)是管理風(fēng)險和期望，對于容量規(guī)劃，涉及到將容量擴展到整個業(yè)務(wù);所關(guān)注的期望是人們在看到業(yè)務(wù)增長時期望服務(wù)如何響應(yīng)。風(fēng)險是在額外的基礎(chǔ)設(shè)施上花費時間和金錢來處理這個問題。

容量規(guī)劃首先是對未來預(yù)測性的分析與判斷，其預(yù)測的基礎(chǔ)正是海量的運維數(shù)據(jù)。因此，容量規(guī)劃除了有相應(yīng)的架構(gòu)和規(guī)劃團隊外，一個全面的運維數(shù)據(jù)中心是實現(xiàn)系統(tǒng)容量規(guī)劃的必須設(shè)施。

容量趨勢預(yù)警和分析將綜合地從各種運維監(jiān)控、流程管理等數(shù)據(jù)源中收集、整理、清洗并結(jié)構(gòu)化地存儲各種運維數(shù)據(jù)，將這些來自于各種工具的運維數(shù)據(jù)打通融合并且構(gòu)建各種數(shù)據(jù)主題。

應(yīng)用這些數(shù)據(jù)主題的數(shù)據(jù)用于幫助運維人員對問題進行評估，包括：

當(dāng)前的容量是多少

何時達到容量極限

應(yīng)該如何更改容量

執(zhí)行容量規(guī)劃

運維平臺除了可以提供必要的數(shù)據(jù)支持外，還需要提供必要的數(shù)據(jù)可視化支持能力。運維數(shù)據(jù)可視化提供了一些必要的能力保障運維人員可以更好地利用其中的運維數(shù)據(jù)評估容量。

首先，運維平臺需要有極強的數(shù)據(jù)檢索能力。運維平臺存儲著海量的運維數(shù)據(jù)，運維人員為了嘗試建立和驗證一個探索性場景的時候，往往多次反復(fù)檢索和查詢特定數(shù)據(jù)。如果運維數(shù)據(jù)分析平臺的數(shù)據(jù)查詢很慢或者查詢角度很少的情況下，運維人員建立場景的時間就會拖得很長甚至進行不下去。因此，運維人員可通過平臺可以實現(xiàn)關(guān)鍵字、統(tǒng)計函數(shù)、單條件、多條件、模糊多維度查找功能，以及實現(xiàn)海量數(shù)據(jù)秒級查詢，才能更有效幫助運維人員更便捷分析數(shù)據(jù)。

其二，平臺需要強大的數(shù)據(jù)可視化能力。人們常說“千言萬語不及一圖”，運維人員經(jīng)常會通過各系統(tǒng)的運維數(shù)據(jù)進行統(tǒng)計分析并生成各類實時報表，對各類運維數(shù)據(jù)（如應(yīng)用日志、交易日志、系統(tǒng)日志）進行多維度、多角度深入分析、預(yù)測及可視化展現(xiàn)，將他們分析的預(yù)測結(jié)果和經(jīng)驗向他人表達和推廣。

自動化工具開發(fā)

SRE不僅涉及運營，還涉及軟件開發(fā)，當(dāng)然這部分指的是和運維以及SRE領(lǐng)域相關(guān)的工具和平臺開發(fā)。在Google的SRE體系中，SRE工程師將花費大約一半的時間來開發(fā)新的工具和服務(wù)，這些工具的一部分用于自動化一些手動任務(wù)，而其他部分用于來不斷填補和修復(fù)整個SRE體系內(nèi)部的其他系統(tǒng)。

通過編寫代碼把自己和其他人從重復(fù)的工作中解放出來，如果我們不需要人類來完成任務(wù)，那么就編寫代碼，這樣人類就不需要參與其中了。

SRE從內(nèi)心上鄙視重復(fù)性的工作，將從原有的人工加被動響應(yīng)，轉(zhuǎn)變?yōu)楦咝А⒏鼮樽詣踊倪\維體系。

自動化運維框架：

自動化運維工具的優(yōu)勢和必要性：

提高效率：由程序自動化操作，有效地降低運維人力資源的投入，也讓運維人員的精力得以釋放并投向更為重要的領(lǐng)域。

操作的標(biāo)準(zhǔn)化：將原來許多復(fù)雜、易錯的手工操作實現(xiàn)統(tǒng)一運維操作入口，實現(xiàn)運維操作白屏化，提升運維操作的可管理性;同時，減少由于運維人員情緒帶來手工誤操作，避免“從刪庫到跑路”這樣的悲劇的發(fā)生。

運維經(jīng)驗?zāi)芰Φ膫鞒校哼\維自動化工具將原來許多運維團隊積累的經(jīng)驗以代碼方式總結(jié)為各種運維工具，實現(xiàn)自動化和白屏化的運維操作。運維團隊的后來者，可以有效地繼承、重復(fù)使用并優(yōu)化它們。這種代碼化的工作傳承，將個人能力轉(zhuǎn)變?yōu)閳F隊能力，并減少人員流動帶來對工作的影響。

構(gòu)建自動化運維體系就必須以運維場景為基礎(chǔ)，這些運維場景是在本企業(yè)內(nèi)反復(fù)迭代和打造，是企業(yè)中最常用的運維場景。

比如常見的運維場景：軟件安裝部署、應(yīng)用發(fā)布交付、資產(chǎn)管理、告警自動處理、故障分析、資源申請、自動化巡檢等等。因此，整個自動化運維體系建設(shè)時也應(yīng)支持多種不同類型的自動化作業(yè)配置能力，通過簡單的腳本開發(fā)、場景配置和可視化定制流程實現(xiàn)更多運維場景的實現(xiàn)。

用戶體驗

用戶體驗這一層要說的是，作為SRE來講，從用戶的角度來保證業(yè)務(wù)的穩(wěn)定性和可用性才是最終目標(biāo)。這個才傳統(tǒng)意義上的運維人員是不會關(guān)注這一點的，因為大家通常只會考慮到我底層運維的系統(tǒng)或底層資源是否穩(wěn)定，但實際上整個業(yè)務(wù)的穩(wěn)定才是SRE需要關(guān)心的問題，而業(yè)務(wù)的穩(wěn)定性和可用性通常需要站在用戶的角度來模擬和衡量整體的可用性和可靠性。

在前面提到的所有SRE相關(guān)的工作范疇，無論是監(jiān)控、事故響應(yīng)、回顧、測試與發(fā)布、容量規(guī)劃以及構(gòu)建自動化工具，無非都是為了提供更好的系統(tǒng)用戶業(yè)務(wù)體驗而服務(wù)的。因此，我們在運維的過程中無不需要注意關(guān)注系統(tǒng)的用戶體驗。

而在實際運維工作中，我們往往可以通過應(yīng)用日志、監(jiān)控數(shù)據(jù)、業(yè)務(wù)拔測等業(yè)務(wù)相關(guān)的用戶體驗信息。在運維數(shù)據(jù)平臺中，通過這些用戶體驗監(jiān)測數(shù)據(jù)之間的關(guān)聯(lián)和串聯(lián)，重現(xiàn)用戶的最終業(yè)務(wù)調(diào)用鏈路以及各應(yīng)用環(huán)節(jié)對性能數(shù)據(jù)的關(guān)系。最終形成從業(yè)務(wù)用戶體驗數(shù)據(jù)入手，逐步實現(xiàn)系統(tǒng)運行狀態(tài)數(shù)據(jù)、設(shè)備運行狀態(tài)數(shù)據(jù)鏈路的打通，讓運維體系實現(xiàn)以最終用戶體驗為中心的目標(biāo)。

這些用戶體驗的信息，對于運維團隊掌握客戶整體的用戶體驗情況、系統(tǒng)可用性的監(jiān)測以及系統(tǒng)針對性的優(yōu)化提供著無可替代的作用。

其實，SRE運維體系更為強調(diào)以用戶的體驗為核心，以自動化和運維數(shù)據(jù)為手段，實現(xiàn)應(yīng)用業(yè)務(wù)連續(xù)性保障，從這個點出發(fā)，我們會發(fā)現(xiàn)和以往的傳統(tǒng)運維還是有很大的區(qū)別的，我們不再僅僅是單純的安裝和部署工程師，我們需要通過一系列的技術(shù)手段來不斷保障上層業(yè)務(wù)的穩(wěn)定性和可靠性。