SRE运维之道

图书标准信息

• 作者 [美]戴维·N.布兰克-埃德尔曼；胡志飞；蒋永清
• 出版社 中国电力出版社
• 出版时间 2021-03
• 版次 1
• ISBN 9787519848453
• 定价 128.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 536页
• 字数 688千字

【内容简介】

聆听工程师和其他领导人现场讨论：在各种环境中实现SRE及其指导思想的不同方法。SRE与其他方法（例如DevOps）的关系。*前沿的专业技术很快将在SRE中十分常见。简化实现SRE的*实践和技术。重要但很少有人探索的SRE人性的一面。

【作者简介】

David N. Blank-Edelman在大型多平台环境中的SRE、DevOps、系统管理领域拥有超过30年的经验。他目前就职于Microsoft，是高级云平台运维布道师，专注于站点可靠性工程。他是USENIX在全球举办的广受欢迎的SREcon会议的联合创始人之一，同时还是O’Reilly水獭书（《Automating Systems Administration with Perl》）的作者。

 

【目录】

目录

绪论 1

第一部分 SRE 实施

第1 章 SRE 中的上下文与控制 7

第2 章 面试站点可靠性工程师 17

面试101 17

谁参与 17

行业与大学 18

偏见 18

漏斗 18

SRE 漏斗 19

电话筛查 20

现场面试 20

带回家的问题 22

面试SRE 的最终思考 24

延伸阅读 24

第3 章 你想建立一个SRE 团队吗? 25

出于正确的原因选择SRE 26

面向数据驱动方法 28

对SRE 的承诺 29

做出关于SRE 的决定 30

第4 章 使用事件指标在规模上

提高SRE 31

救援到良性循环：你需要测量…… 31

指标回顾：如果指标无法找到…… 33

代理指标 34

修复债务 35

虚拟修复债务：在机器中驱除幽灵 36

实时仪表板：SRE 的面包和黄油 37

学习：终身学习 38

延伸阅读 38

第5 章 与第三方合作的艺术 39

自建、购买或采用？ 39

建立重要性 40

确定利益相关者 40

做出决策 41

承认现实 42

第三方作为“一等公民” 45

当他们倒下时，你也倒下 46

像服务一样运行黑匣子 48

服务级别指标、服务级别目标和SLA 49

行动手册：从预发布到生产 51

总结想法 58

第6 章 如何在没有专用SRE 团队的情况下应用SRE

原则 60

向SRE 求救（以及他们如何失败） 60

按员工人数计算的规模问题 61

嵌入式SRE 61

你建造它，你就得运行它 62

部署平台 62

完成循环：自行运维 63

介绍生产工程团队 64

一些实施详细信息 66

开发人员的工作效率和健康与监控 66

使用事后分析解决跨团队可靠性问题 68

统一的基础设施和工具与自主和创新 69

获得支持者 70

小结 72

延伸阅读 73

第7 章 无SRE 的SRE 模式：Spotify 案例研究 74

蹒跚学步：2006 ?C 2007 75

前奏 75

关键收获 76

测试版和正式发布：2008 ?C 2009 76

前奏 77

将可扩展性和可靠性带到前沿 78

关键收获 79

成功的诅咒：2010 80

前奏 80

新的所有权模型 81

核心服务正规化 82

部署时间的抉择 83

轮值和警报 83

生成内部办公室支持 84

解决剩余首要问题 84

创建侦探 85

关键收获 86

宠物和动物，以及敏捷：2011 87

前奏 87

形成不良习惯 88

打破那些坏习惯 88

关键收获 89

无法扩展的系统：2012 89

前奏 89

手工运维碰壁 90

关键收获 91

介绍小组内嵌运维：2013 ?C 2015 91

前奏 91

以信任为基础 94

推动模式转变 95

关键收获 96

自主性与一致性的权衡：2015 ?C 2017 96

前奏 97

受益之处 98

权衡 98

关键收获 99

未来：规模化的速度和安全 99

第8 章 大型企业SRE 的介绍 103

背景 103

介绍SRE 104

定义当前状态 104

识别和教育利益相关者 106

展示业务案例 108

实施SRE 团队 109

经验和教训 111

实施路线图示例 112

总结反思 114

延伸阅读 114

第9 章 从系统管理员到SRE 115

澄清术语 116

服务级别指示器 116

SLA 117

服务级别目标 117

为内部组件建立SLA 119

了解外部依赖关系 125

非技术解决方案 127

跟踪可用性级别 128

处理罕见情况 133

小结 135

第10 章 为企业中的SRE 扫清道路 137

琐事，SRE 的敌人 138

企业中的琐事 141

孤岛、队列和工单 141

路上的孤岛 142

工单驱动的请求队列成本高昂 144

立即行动 146

从精益开始 146

尽可能多地摆脱交接 150

将剩余的移交替换为自助服务 153

自助服务不仅仅是一个按钮 154

自助服务以多种方式帮助SRE 155

运维作为服务 156

错误预算、限制琐事和其他增强人类能力的工具 159

错误预算 159

琐事上限 160

利用DevOps 的现有热情 161

统一任务列表并保护容量 161

心理安全与人为因素 162

加入运动 163

第11 章 SRE 模式深受DevOps 的热爱 164

模式1：Google 诞生的自动测试 165

模式2：在谷歌启动和移交准备审查 167

模式3：创建共享源代码存储库 170

小结 172

进一步阅读和源材料 172

第12 章 DevOps 和SRE：来自社区的声音 174

背景 174

方法 174

结果 175

回复 175

第13 章 Facebook 的生产工程师 191

第二部分 SRE 前沿领域

第14 章 起初，有混沌 215

系统问题 216

复杂性的经济支柱 218

开始混沌 219

安全和复杂性的权衡 220

混沌变大 221

形式化 221

高级原则 222

常见问题 223

小结 225

第15 章 可靠性与隐私的交集 226

可靠性与隐私的交集概述 227

隐私工程的一般景观 228

隐私和SRE：常见方法 230

减少辛劳 230

高效、慎重地解决问题 232

关系管理 233

早期干预与价值观传播 233

细微差别、差异和权衡 235

小结 236

延伸阅读 236

第16 章 数据库可靠性工程 237

数据库可靠性工程师的指导原则 237

保护数据 238

自助缩放服务 238

数据库不特殊 239

数据库可靠性工程文化 240

可恢复性 241

恢复注意事项 241

恢复策略的剖析 242

构建基块1：检测 242

构建基块2：多样化的存储 244

构建基块3：各种工具箱 245

构建基块4：测试 246

倡导恢复可靠性 247

持续交付：从开发到生产 247

协作 249

部署 249

迁移和版本控制 249

影响分析 250

迁移模式 250

倡导CD 251

为DBRE 提供支持 252

延伸阅读 252

第17 章 数据耐久性工程 253

复制是基础 253

备份 253

复制 254

真实世界的耐久性 257

保护 261

测试 261

保障 262

恢复 262

验证 263

零的力量 264

验证范围 264

监视器的观察者 266

自动化 266

漏洞之窗 266

运维人员疲劳 267

可靠性 267

小结 268

第18 章 SRE 机器学习概述 270

为什么要使用机器学习辅助SRE 工作？ 270

为什么我的公司应该如何参与这项工作？ 271

AI 应用方面的觉醒 272

什么是机器学习？ 273

我们所说的学习是什么意思？ 274

从国际象棋到围棋：我们可以潜水有多深？ 276

为什么是现在？我们改变了什么？ 277

什么是神经网络？ 278

神经元和神经网络 278

应该如何以及何时应用神经网络？ 280

我们可以使用哪些类型的数据？ 280

实用机器学习 281

神经网络的热门库 281

实用机器学习示例 282

成功案例 296

延伸阅读 297

我的GitHub 存储库 297

推荐书籍 297

第三部分 SRE 最佳实践和技术

第19 章 使文档更好：将文档集成到工作流程中 301

定义质量：好文档是什么样子的？ 302

SRE 文档的功能要求 304

将文档集成到工程的工作流中 306

谷歌的经验：g3doc 和EngPlay 307

我们学到的知识 310

更好的文档：最佳实践 311

为每个文档类型创建模板 311

更好 > 最佳：为质量设定现实标准 313

要求将文档作为代码评审的一部分 313

大胆地修剪你的文档 314

对文档进行表彰和奖励 314

传达文档的价值 315

延伸阅读 317

第20 章 主动教学和自学 319

主动学习 320

主动学习示例：不幸之轮 321

活动学习示例：事件管理（纸牌游戏） 322

活动学习示例：SRE 教室 326

不能学习的代价 327

有效 SRE 团队的学习氛围 328

生产会议 328

故障报告 329

行动号召：放弃无聊的幻灯片 330

第21 章 服务级别目标的艺术与科学 331

为什么要设定目标？ 331

可用性 332

时间计量 333

事务 334

时间跨度的事务统计 334

关于评估 SLO 335

直方图 338

百分位数的不足之处（和直方图的优点） 339

思路的不同：自底向上的分析 SLO 339

延伸阅读 340

第22 章 SRE 作为一种成功文化 341

SRE 是从哪里来的？ 341

SRE 的关键价值 343

保持网站运行 343

授权团队“做正确的事情” 345

将运维视为工程问题 346

通过承诺（服务级别）实现业务成功 347

SRE 的关键启用功能 348

监视、指标和 KPI 348

事件管理和应急响应 349

容量规划和需求预测 349

性能分析和优化 349

预配、更改管理和速度 349

SRE 执行阶段 350

第 1 阶段：灭火/ 应急 350

第 2 阶段：守门员 350

第3 阶段：倡导者/ 合作伙伴 351

第4 阶段：催化 351

不同阶段的并发症 352

关注成功的细节 352

延伸阅读 353

第23 章 SRE 反模式 354

反模式 1：站点可靠性运维 355

反模式2：人类盯着屏幕 356

反模式3：事件响应时一窝蜂 357

反模式 4：根本原因 = 人为错误 358

反模式5：丢包袱 360

反模式 6：马戏团表演模式！ 361

反模式7：警报可靠性工程 362

反模式8：雇用他人来遛狗 363

反模式 9：减速带工程 364

反模式10：设计阻塞点 365

反模式11：批评太多，鼓励不够 366

反模式12：推迟生产环境发布 368

反模式 13：优先避免故障而不追求快速恢复（MTTF > MTTR） 369

反模式14：依赖性地狱 371

反模式15：笨拙的治理 372

反模式 16： 考虑不周的 SLO 373

反模式 17：让人恼火的 API 接口 374

反模式 18：修复运维团队 376

那么，这就足够了吗？ 377

第24 章 不变的基础架构和SRE 379

可扩展性、可靠性和性能 379

故障恢复 380

更简单的运维 380

更快的启动时间 381

已知状态 381

自信地完成持续集成/ 持续部署 382

安全性 382

多区域操作 383

发布的工程学 383

构建基本镜像 384

部署应用程序 385

缺点 385

小结 386

第25 章 可编写脚本的负载均衡器 387

可编写脚本的负载均衡器：新新人类 387

使困难变得简单 389

分片感知路由 390

利用潜力 394

案例研究：休息时间 394

服务级别中间件 395

作为救援的中间件 397

服务级别中间件的 API 397

案例研究：WAF/Bot 缓解 397

避免灾难 398

获得状态的技巧 398

案例研究：结账队列 400

展望未来，进一步阅读 401

第26 章 服务网格化：微服务的牧人？ 403

准备好摆脱全家桶了吗？ 404

微服务网络的当前状态 405

服务网格来救援 407

边三轮代理的好处 408

最终一致的服务发现 409

可观察性和报警机制 410

边三轮性能影响 411

精简库和上下文传播 412

配置管理（控制平面与数据平面） 413

实践中的服务网格 414

Envoy 在 Lyft 的起源与发展 415

Lyft 运维的 Envoy 416

服务网格的未来 418

延伸阅读 418

第四部分 SRE 的人性化一面

第27 章 SRE 的心理安全 421

成功团队的主要指标 421

延伸阅读 430

第28 章 SRE 认知工作 431

简介 431

SRE 人员是做什么的？ 432

我们为什么要关心从业者认知？ 433

在不确定性和时间压力下做出的关键决策无法重现 434

现代复杂系统中的人类表现：主题 434

关于围绕事件的SRE 认知工作的观察 435

每一次事件都可能更糟 435

在不确定的情况下做出牺牲性决策 436

正常系统的维修 437

关于复杂系统的专业知识 438

管理协调成本 439

SRE 是联合认知系统中工作的认知主体 439

知识校准问题 440

心理模型 441

事件触发个人重新校准 443

事件是集体重新校准的机会 443

这一切意味着什么？ 444

事件将继续 444

事件将导致代价 445

事件模式将发生变化 446

事件指向特定的校准问题和位置 447

接下来会发生什么？ 447

构建案例库 447

专注于使自动化成为 SRE 中的团队合作者 448

解决校准问题 449

你能做什么？ 450

小结 451

参考 451

第29 章 胜过倦怠 454

定义精神障碍 456

多元化对话中缺少对精神障碍的照顾 457

纯洁不是业务需求 458

光是思想和祈祷还不够 459

全栈包容性 459

申请职务 460

面试过程 461

薪酬 462

效益 463

入职 464

工作条件 464

工作职责 466

培训 466

晋升 467

离职 468

人人为我，我为人人 469

精神障碍资源 469

第30 章 反对轮值：一次论战 471

轮值的理由 472

首先，不造成伤害 472

与 SRE 的相似性 472

与 SRE 的差异 473

推动工程师轮值的基本假设 474

轮值是急诊医学，而不是病房医学 476

反驳意见 478

轮值给我们带来的麻烦 479

实际解决方案 483

培训 483

确定优先次序 483

提高在职绩效 485

我们需要从根本上改变方法 486

严格抵制轮值（SAOC） 487

尽量避免轮值（WAOC） 488

二合一 489

小结 490

第31 章 复杂系统的挽歌 491

计算机和人类系统无法分离 492

消除一致性和级联失败 493

始终处于部分故障状态 494

优先级倒置的新尝试 495

没有人预见到协调的代价 495

你的 healthcaregov 在那里 496

延伸阅读 497

第32 章 运维与社会活动之间的交集 499

之前、期间、之后 500

创建完美计划 501

组织原则 502

管理危机：在崩溃时做出反应 503

书写我们自己的历史：了解到底发生了什么 505

长尾效应：将行动转化为革新 506

小结 509

第33 章 结语 511

作者介绍 513

封面介绍 513