陈刚高效运维社区研报正文总结
一问：影响稳定性的罪魁祸首有哪些？
当代IT系统典型特征包括大规模、分布式、高频变更、技术栈复杂、大流量、高并发。影响稳定性的主要因素包括：
- 变更风险：约70%的生产事故由部署变更触发，日常变更多导致故障。
- 容量风险：流量突然增加（如重大活动）导致的故障，影响全局。
- 基础设施风险：网络/IDC/DNS等故障，频率低但影响重大。
影响稳定性因素的应对措施
- 变更与发布控制：规范变更流程。
- 容量管理实践：进行容量规划。
- 基础设施高可用：提升基础设施可用性。
二问：稳定性建设从哪里切入？
SLO的VALET模型
- SLA（服务等级协议）：达到或未达到SLO后的后果，商业承诺。
- SLI（服务等级指标）：服务质量的量化指标，如可用性、延迟、错误率等。
- SLO（服务等级目标）：SLI的目标值，如可用性>99.99%、90分位RT<100ms。
- 黄金指标：Latency（延迟）、Traffic（流量）、Errors（请求错误率）、Saturation（资源利用率）。
SLO的引入与运营
- 引入SLO以量化可靠性，通过错误预算管理。
- 采用多窗口多燃烧率（MWMB）告警策略，平衡及时性、误报、漏报。
三问：SLO如何与可观测能力打通？
可观测数据MELT
- Metrics（指标）：实时性能数据。
- Logs（日志）：系统操作记录。
- Traces（追踪）：请求链路信息。
- Events（事件）：异常事件记录。
可观测体系应用场景
- 统一MELT数据生命周期管理，解耦实时和历史数据。
- 提供单一查询接口，支持云原生分布式部署。
四问：SRE实践中如何协同故障应急？
故障应急流程
- 重启：最廉价的服务恢复手段。
- 回滚：回到上一个稳定版本。
- 扩容：短暂提高系统资源池。
- 切流：机房或运营商切换。
- 降级：降低标准服务以保命。
- 限流：辅助招式，可组合使用。
故障应急协同机制
- 通告标准：对业务有影响、基础设施不可用。
- 进展同步：关键发现、处理、影响扩大、业务恢复。
五问：如何系统化建设SRE稳定性能力？
SRE的范围
- 职责：保障基础设施稳定性和可扩展性。
- 方法：通过操作类事务积累经验，提升解决效率。
- 工作内容：日常需求处理、容量规划、监控告警、应急响应等。
SRE的组织文化
- 高度合作：产品运营、开发、管理协同。
- 共同信念：SLO量化可靠性，错误预算管理。
- 鼓励交流：数据驱动可靠性对话。
- 共担风险：SLI和SLO一致，风险共担。
- 接纳新颖想法：从失败中学习，传播最佳实践。
SRE的能力要求
- 协作：项目跟进、事故复盘、变更管理等。
- 技术支持：系统迁移、应急响应、故障处理等。
- SRE实践：运行风限控制、服务分类分级、SLO运营等。
- 架构能力：高可用、多活、弹性伸缩等。
- 组织调整：轮岗、值班、OnCall等。
SRE建设思路
