僅為個人知識總結與記錄

Site Reliability Engineer：站點可靠性工程（SRE = 軟件工程師 + 運維專家 + 可靠性專家）
相對傳統的運維工程師，SER 注重開發，效率，追求自動化。對于 SRE 工程師，追究的就是利用或者使用開發工具，來降低開發或者運維的手動處理任務的時間。

一. SRE的核心職責與目標

1. 確保系統的可靠性

這是首要目標。通過設計、構建工具和流程來最大化服務的可用性（Uptime）、性能、延遲和容錯能力。

2. 自動化運維任務

SRE厭惡重復性手工操作。他們會編寫代碼（通常是Python、Go等）來自動化部署、配置管理、監控告警響應、故障恢復等任務，消除“Toil”（枯燥、重復、手動、戰術性、無持久價值的工作）。

3. 容量規劃與管理

預測系統未來的資源需求（計算、存儲、網絡），確保在業務增長時系統能平滑擴展，同時優化資源利用率，控制成本。

4. 監控與可觀測性

• 監控： 建立全面的監控系統（Metrics、Logs、Traces），實時了解系統健康狀態。
• 告警： 設計精準、可操作的告警策略，避免告警疲勞。
• 可觀測性： 深入理解系統內部狀態，快速定位和診斷復雜問題。

5. 應急響應與事后復盤

• On-Call： 參與輪值待命，快速響應和處理線上故障。
• 故障處理： 領導或參與故障排查、恢復和根因分析。
• 事后復盤： 組織并撰寫事后報告，坦誠分析故障原因，制定切實可行的改進措施（Action Items），并跟蹤落實，防止同類故障再次發生。強調“不指責文化”。

6. 性能優化

識別系統瓶頸（應用、數據庫、網絡、基礎設施等），進行優化以提升效率和用戶體驗。

7. 變更管理

8. 定義和跟蹤SLO/SLI/SLA：

• SLI： 服務等級指標（量化衡量服務可靠性的指標，如請求延遲、錯誤率）。
• SLO： 服務等級目標（SLI應達到的目標值或范圍）。
• SLA： 服務等級協議（對客戶承諾的SLO，通常帶有業務層面的后果）。

9. 平衡可靠性與創新速度

SRE的關鍵哲學之一是管理“錯誤預算”。如果服務可靠性（滿足SLO）很高，說明有“預算”可以承受一定的風險，可以允許開發團隊進行更激進的發布或變更，推動創新。反之，如果預算耗盡，則需要優先提升可靠性。

二. SRE工程師的核心技能棧

三. SRE 的地位

1. 支撐業務增長

2. 提升研發效率

3. 控制成本

4. 數據驅動決策

5. 促進DevOps文化

附錄：

1. SRE和運維的區別是什么？

2. 什么是站點可靠性工程 (SRE)