好学生，SRE基础学习笔记实录
前言这几天打算利用碎片时间读了一下"SRE Google运维解密"这本书，目前读了前几章，感觉收获颇多，结合自己的工作经历和书中的要点，写一些感悟和思考SRE有关SRE我就不多介绍了，中文名字叫站点可靠性工程师，它的由来是google想通过软件工程师来解决复杂运维问题。 它里面有很多有意思的点，比如:
[*]运维工作只能占比工作时间50%
[*]另外50%要开发工具解决问题
[*]SRE和开发工程师会轮岗
这些相关概念网上很多都介绍了，我就不赘述了，我说下一些我感兴趣的点谷歌神话谷歌一直在技术领域处于世界领先位置，从bigtable的三篇论文，开源的k8s，分布式关系数据库，谷歌的技术在IT领域可以说是标杆。有个传说是谷歌内部使用的系统一般2-3年以后才会出相关论文或者开源版本实现，出来了以后其它企业开始实践还需要2-3年，等到你把这些实现了，谷歌又不知道实现了什么黑科技。IT界如果是江湖的话，谷歌就像是少林派，有一种天下武功出少林的气派。所以SRE这本书自带光环，很多人都觉得这是运维圣经，觉得这是拯救运维领域的不二法宝。或许你也在读这本书，你也想在内部尝试SRE的一些方法和思想。那么首先我劝你先冷静一下，它并不是一个万能的解药，要先考虑下你的公司现状，问题，结合实际国情，找到切实可行的方法。我为什么这么说呢？请往下看谷歌的肌肉首先本书一开始简单说了下SRE的思想和方法论，然后介绍了谷歌的基础设施，就好像一个人一样，谷歌的基础设施就是这个人的肌肉，有了强劲的肌肉才能跑得快，跳得高。网络设施谷歌基于自研的交换机Clos，使用SDN技术，确保每个数据中心可提供海量带宽，并且可以动态带宽管理优化网络连接。调度系统使用Borg负责在集群层面管理任务编排工作存储在物理机设施（磁盘）上构建了一套简单可用，可靠的集群存储服务。
[*]Colossus GFS文件系统的改进白本
[*]Bigtable 松散存储的，分布式，有顺序，持久化的NoSQL数据库
[*]Spanner 分布式的关系型数据库
分布式锁Ch y 提供一个可以处理异地，跨机房级别锁请求的集群锁服务监控和报警Borgmon 从监控对象抓取监控指标，这些指标可以用来触发报警，也可以存储起来供观看。（开源实现是Prometheus）RPC所有谷歌服务之间使用RPC通信，称为St y（开源实现gRPC），传输格式是Protobuf。GSLB和BNS
[*]利用地理位置进行负载均衡DNS请求
[*]用户服务层面负载均衡
[*]RPC层面负载均衡
通过各个层面的负载均衡将用户流量导向健康的服务上面。这些完善的基础设施，给SRE中的方法和思想做了强有力的支撑。故障不是洪水猛兽SRE中定义了一个概念叫SLO(服务质量目标)，通过SLO合理评判一个服务要达成的服务质量。首先我先说下”故障“这个词，这个词对运维人员来说，是非常不想听到和遇到的。运维人员有一个重要任务是确保服务的稳定，换句话说就是没有故障。所以我们或多或少谈到“故障”就会色变，遇到故障马上第一时间解决，为了避免下次还出现，我们可能还会开“事故总结会”，优化流程和工具。其实我们很多时候对于“故障”的理解是简单粗暴的，从一线员工到老板都认为“故障不能有”，“故障必须消除”，我们耗费很大精力“消除了一切故障”，系统平稳运行了，自己也会萌生成就感，感觉干的还不赖。可是并没有进一步去思考一下，故障存在的意义。我们常见的所谓“99.9%”，“99.99%”的服务可用性，但是并没有使用科学方法来分析和规划业务到底应该3个9还是4个9。SRE中说到一句话“100%稳定的系统是不存在的”，它把这个做为一个前提，那也意味着系统是肯定要出故障的。SLO就是用来解决这个事情的，首先服务的故障不可避免，每个服务的级别不同，不可能所有服务都是99.999999，要针对业务的不通特性制定不同的SLO。比如： 谷歌的企业服务，针对企业用户是有签署服务中断赔偿协议的，那么稳定性要求很高，所以它的SLO级别必须很高。 谷歌的youtube（当时），针对终端用户且版本迭代很快，业务在不断变化和创新，SLO级别可以放低。SLO的制定通常是产品经理，开发团队，SRE一起协商完成，大家根据业务的规模，产品特性，产品处于的阶段制定。SLO的制定，我觉得就是科学的面对“故障”这个问题，故障不可避免，不应该以消灭故障为目的，合理的接受它，确保它在SLO标准的范围内，高于这个标准会浪费人力和成本，低于这个标准就需要进行优化。SLO的制定很大程度在于各个团队之间的协商，大家都有基于数据的科学评判方法，比如产品预估的用户数，产品发版周期，使用带宽等。中国的国情更多的是拍脑袋，老板的态度，上面的一句话“不能有事故”，那就是99.999999999999999无限，没有科学的进行评估。SLO解决的问题通过这样一个SLO，之前很多令人头疼的问题就迎刃而解了。成本和收益的矛盾大家都知道维护服务可用性的成本不是线性增长的，到一定程度，增加一个9可能需要10倍100倍的成本，通过SLO让成本和收益取得很好的平衡，假设一个业务增加SLO等级，可以计算一下需要的成本和带来的收益，如果得不偿失就可以不用增加SLO等级。科学的运维有了SLO，对于运维工作有了可量化的标准，运维工程师不用每天提心吊胆，生怕出现故障，只要故障在SLO范围内就是可接受的，节省出很多精力用在更重要的事情上。稳定和创新的矛盾大家都知道运维工程师最不喜欢的就是“线上变更”，一个服务如果不做变更一般都是很稳定的，问题往往出现在变更上。
可是一个新业务往往需要大量变更，不停的迭代创新。
这个时候运维会说：别做变更了，稳定是第一位的，出了故障，我们得背锅。
开发会说：我们得变更，这样才有新功能，才能获取更多用户啊。
矛盾因此产生了。
通过SLO很好的解决了这个矛盾，我们先一起给这个业务制定好SLO的等级，如果是需要频繁的变更的，可能SLO等级就会低一些。
这样在满足业务创新的需求上，只要在SLO范围内，就认为业务是稳定的。
反之，如果变更太频繁，使故障率超出了SLO可接受的范围，可以要求开发调低变更频率，或者重新制定SLO等级。
这样就解决了业务既要“稳定”又要“创新“的矛盾。结语SRE Google运维解密是非常好的一本书，它是谷歌运维体系的结晶，但是它也是建立在谷歌”健壮的肌肉“之上，建立在科学评估（非人治）之上，我们可以从中学习，也要冷静思考。
这是SRE读后感第一篇，后续再读几章，再写点。
页:
[1]