概述
- 什麼是SRE
SRE（Site Reliability Engineering）翻譯成中文就是網站穩定性工程師，專門負載網站的穩定運行。說到這個職責可能很多人會聯想到運維工程師，兩者確實有相似之處，但是也不盡然。SRE本質上還是軟件工程師，招聘時按照軟件開發工程師的要求來招聘，通過軟件工程理論來管理工程，力圖重新定義運維，推進業務進化。
SRE的概念最早由谷歌提出，其他互聯網公司爭相跟進，目前實踐的比較好的是谷歌和奈飛(neflix)。奈非的核心SRE據說只有個位數，他們運營着全球190國家的上億用戶，用實踐證明了SRE理論的正確性。
- SRE和DevOps有什麼區別？
DevOps和SRE首先兩者不衝突，Devpos是一種在不斷演進的概念，主要是強調運維操作應該系統化和自動化，產品的設計研發運維工程應該統籌考慮，有機結合，利用軟件工程的理論來進行運維工作。SRE是DevOps思想的一個成功實踐，用程序設計來類比的話，DevOps可以看做一接口，而SRE則是在這個接口上的一個實現。
職責
SRE是做什麼的？SRE的工作內容主要包括以下內容
- 容量規劃
- 生產系統監控報警
- 部署，發佈變更
- 值班
具體實踐
- 硬件
以集羣爲單位進行管理，使用一個叫做borg的集羣控制系統
10臺服務器=1個機櫃
多個機櫃=1機櫃排
多個機櫃排=1個集羣
多個集羣=1個數據中心
多個相鄰數據中心=1個園區
- 網絡
使用基於SDN技術的中心化網絡路由方案，而不是使用分佈式的路由方案。這個的好處就是高效，將最佳路徑的計算從各個交換設備上轉移到中心化控制器上去，使得路由的控制更加快速和有效，並且可以使用廉價的交換設備，降低總體的成本。
在網絡帶寬的分配上，谷歌使用一套叫做BwE的帶寬控制器，集中化的控制可以更高效的分配帶寬，當發生網絡擁堵的時候，可以迅速的將流量調度到空閒的設備上去，提高網絡帶寬的使用效率以及服務質量。
- 負載均衡
1.根據地域，將域名解析到就近的服務器地址
2.基於用戶ip的就近服務器地址下發
3.服務器間的rpc負載均衡
谷歌的GSLB可以通過計算qps和剩餘容量來自動調度用戶的請求
- 服務質量
1.SLI（服務質量指標）
服務質量的量化指標，例如100分是最好的服務質量，80分良好，60分及格
2.SLO（服務質量目標）
SLI的目標值，例如我們規定SLI需要達到80分，則SLO是80
3.SLA（服務質量協議）
服務商與用戶間的協議，達到或者沒達到SLO的話，怎麼處理
SLO應該被作爲SRE觀測的重點指標，它代表了當前對用戶的服務質量，當SLO不達標時，SRE應該採取行動制定相應的計劃去提高SLI
- 減少瑣事
瑣事，瑣事就是搬磚，簡單，重複，可自動化的手工工作，並且沒有長期價值。這種工作應該被自動化替代，例如幫同事上傳文件到某機器上，幫同事重啓一下某個服務等瑣碎工作。
- 監控報警
1.監控
a.黑盒監控
從客戶端的角度出發，監控服務的被調失敗率，被調耗時等
b.白盒監控
從服務器的角度出發，監控服務的重要函數調用和接口的失敗率，耗時等
2.報警
報警分爲3級：緊急報警，工單，日誌。
緊急報警出現時，需要立即採取措施，否則將會有故障發生。緊急且重要
工單：不需要立即行動，重要不緊急
日誌：有問題時進行分析使用
- 值班與故障響應
1.建立故障處理流程，並持續優化它
2.建立和維護一套完備的故障演習流程
3.事後總結，避免重蹈覆轍