SRE 核心理论和方法论

一、核心理论

1. 可靠性优先

   • SRE 的使命是保证服务的可用性与稳定性。

   • 功能迭代必须以可靠性为前提。

2. SLO / SLI / SLA 理论

   • SLI（Service Level Indicator）服务等级指标：延迟、可用性、错误率等。

   • SLO（Service Level Objective）服务等级目标：对 SLI 的目标值，如可用性 ≥ 99.9%。

   • SLA（Service Level Agreement）服务等级协议：对外承诺，通常涉及赔偿条款。

3. 错误预算（Error Budget）

   • 错误预算 = 1 - SLO

   • 核心思想：用可靠性“预算”来平衡创新速度与稳定性。

4. 工程化运维

   • 运维即开发，强调编程化、自动化、平台化。

   • 自动化降低人工错误、提升效率。

5. 减少 Toil（重复性劳动）

   • Toil 是指高重复、低价值、难扩展的工作。

   • 通过自动化、工具化、流程优化减少。

---

二、方法论

1. 服务等级管理

• 制定 SLO/SLI，作为衡量系统健康的核心依据。

• 通过 错误预算 控制发布节奏和风险。

2. 监控与可观测性

• 四黄金指标：延迟、流量、错误、饱和度。

• 可观测性三支柱：指标（Metrics）、日志（Logs）、链路追踪（Tracing）。

3. 变更与风险控制

• 发布策略：金丝雀发布、蓝绿部署、灰度发布。

• 变更必须可回滚，且伴随监控与报警。

4. 应急响应与事故管理

• On-call 机制：快速响应、值班轮值。

• 事故处理：检测 → 响应 → 缓解 → 根因分析（Postmortem）。

• 无责后检讨（Blameless Postmortem）：专注改进，而非追责。

5. 容错与高可用设计

• 容错机制：重试、熔断、超时、限流。

• 降级策略：核心功能优先，非关键功能可临时关闭。

6. 容量规划与性能优化

• 基于历史数据进行容量预测。

• 通过压测、演练（Chaos Engineering）验证系统弹性。

7. 文化与组织方法论

• Dev 与 Ops 的深度融合，共担可靠性目标。

• 鼓励数据驱动和持续改进的文化。

---

三、总结

SRE 的核心在于：

• 以 可靠性 为首要目标；

• 借助 SLO/错误预算 平衡稳定与创新；

• 强调 自动化、可观测性、事故管理；

• 依赖 组织文化 推动持续改进。