仅为个人知识总结与记录

Site Reliability Engineer：站点可靠性工程（SRE = 软件工程师 + 运维专家 + 可靠性专家）
相对传统的运维工程师，SER 注重开发，效率，追求自动化。对于 SRE 工程师，追究的就是利用或者使用开发工具，来降低开发或者运维的手动处理任务的时间。

一. SRE的核心职责与目标

1. 确保系统的可靠性

这是首要目标。通过设计、构建工具和流程来最大化服务的可用性（Uptime）、性能、延迟和容错能力。

2. 自动化运维任务

SRE厌恶重复性手工操作。他们会编写代码（通常是Python、Go等）来自动化部署、配置管理、监控告警响应、故障恢复等任务，消除“Toil”（枯燥、重复、手动、战术性、无持久价值的工作）。

3. 容量规划与管理

预测系统未来的资源需求（计算、存储、网络），确保在业务增长时系统能平滑扩展，同时优化资源利用率，控制成本。

4. 监控与可观测性

• 监控： 建立全面的监控系统（Metrics、Logs、Traces），实时了解系统健康状态。
• 告警： 设计精准、可操作的告警策略，避免告警疲劳。
• 可观测性： 深入理解系统内部状态，快速定位和诊断复杂问题。

5. 应急响应与事后复盘

• On-Call： 参与轮值待命，快速响应和处理线上故障。
• 故障处理： 领导或参与故障排查、恢复和根因分析。
• 事后复盘： 组织并撰写事后报告，坦诚分析故障原因，制定切实可行的改进措施（Action Items），并跟踪落实，防止同类故障再次发生。强调“不指责文化”。

6. 性能优化

识别系统瓶颈（应用、数据库、网络、基础设施等），进行优化以提升效率和用户体验。

7. 变更管理

8. 定义和跟踪SLO/SLI/SLA：

• SLI： 服务等级指标（量化衡量服务可靠性的指标，如请求延迟、错误率）。
• SLO： 服务等级目标（SLI应达到的目标值或范围）。
• SLA： 服务等级协议（对客户承诺的SLO，通常带有业务层面的后果）。

9. 平衡可靠性与创新速度

SRE的关键哲学之一是管理“错误预算”。如果服务可靠性（满足SLO）很高，说明有“预算”可以承受一定的风险，可以允许开发团队进行更激进的发布或变更，推动创新。反之，如果预算耗尽，则需要优先提升可靠性。

二. SRE工程师的核心技能栈

三. SRE 的地位

1. 支撑业务增长

2. 提升研发效率

3. 控制成本

4. 数据驱动决策

5. 促进DevOps文化

附录：

1. SRE和运维的区别是什么？

2. 什么是站点可靠性工程 (SRE)