Skip to content

站点可靠性工程(SRE)

一句话解释

SRE 将软件工程应用于运维 — 自动化琐事、使用错误预算、将运维视为代码。桥接开发和运维。

用大白话说

站点可靠性工程(SRE)是 Google 的运维方法 — 将运维视为软件问题。SRE 用软件工程创建可靠、可扩展的系统并减少手动运维工作。SRE 核心原则:1. 自动化优于琐事 — 自动化重复的手动工作(琐事 < 50% 时间)

  1. 错误预算 — 允许一些不可靠(如 99.9% 正常运行 = 每月 43 分钟宕机预算)
  2. SLO 驱动决策 — 错误预算健康时专注功能;耗尽时专注可靠性
  3. 无责复盘 — 从故障中学习而非指责
  4. 减少琐事 — 同样的事做 3 次就自动化错误预算示例:
  • SLO:99.9% 正常运行(允许每月 43 分钟宕机)
  • 已用 40 分钟:停止发布新功能,专注可靠性
  • 已用 5 分钟:有预算冒险(新功能、部署)

SRE vs DevOps:

  • DevOps:开发和运维协作的文化和实践
  • SRE:DevOps 的具体实现,含具体实践(错误预算、SLO、减少琐事)
  • SRE 是「DevOps 用数学实现的样子」

SRE 编写代码用于:监控、告警、部署自动化、容量规划、事件响应工具。

示例

yaml
# SLO 定义(Prometheus + Sloth)
version: "prometheus/v1"
service: "my-app"
slos:
  - name: "availability"
    objective: 99.9  # 99.9% 请求必须成功
    sli:
      events:
        error_query: sum(rate(http_requests_total{code=~"5.."}[5m]))
        total_query: sum(rate(http_requests_total[5m]))
    alerting:
      page_alert:
        disable: false  # 错误预算快速消耗时告警
      ticket_alert:
        disable: false  # 错误预算逐步消耗时告警

# 错误预算计算:# SLO: 99.9% = 允许 0.1% 错误
# 30 天 = 43,200 分钟
# 错误预算 = 43,200 * 0.001 = 43.2 分钟允许宕机

# 已用 30 分钟 → 剩 13 分钟 → 保守
# 已用 5 分钟 → 剩 38 分钟 → 冒险,发布功能

SLO 定义 99.9% 可用性。错误预算(43 分钟/月)追踪允许的宕机时间。预算健康时发布功能;耗尽时专注可靠性。数据驱动方法平衡功能速度与可靠性。

工作原理

  1. 基于用户需求定义 SLO(服务等级目标)。2. 从 SLO 计算错误预算(允许的不可靠性)。3. 追踪错误预算消耗率 — 消耗多快?4. 预算健康:优先功能开发。5. 预算耗尽:冻结功能,专注可靠性。6. 对事件进行无责复盘。7. 自动化琐事以保持 SRE 时间专注于工程。

常见混淆

  • 容易混淆的对象: DevOps

    关键区别: DevOps 是打破开发-运维壁垒的文化运动 — 广泛且实践导向。SRE 是具体学科(诞生于 Google),用具体实践实现 DevOps 原则:错误预算、SLO、减少琐事、无责复盘。SRE 更规范且数据驱动。DevOps 是哲学;SRE 是一种具体实现。

相关术语

相关资源

相关课程

  • SRE

    站点可靠性工程。

解读错误信息

用大白话解释常见错误——什么意思、为什么发生、如何修复。

查看错误

← 返回术语表