1、站点可靠性工程：关键要点与实践指南

站点可靠性工程：关键要点与实践指南

1. 好奇心：SRE 的核心特质

好奇心是众多站点可靠性工程师（SRE）所共有的特质。以 1969 年阿波罗 12 号发射时被闪电击中的事件为例，当时火箭发射后两次遭闪电袭击，导致电力浪涌、燃料电池断开和电压下降，指挥舱内警报齐鸣，休斯顿的遥测读数混乱。在这紧急且未知的情况下，工程师约翰·亚伦提出了“try SCE to Aux”的建议，最终解决了问题。原来，一年前他在阿波罗舱模拟器中遇到类似遥测读数混乱的情况时，没有重置模拟器，而是通过不断尝试，发现将信号调节电子系统（SCE）切换到辅助设置可以在低电压条件下恢复遥测。他将此归功于“对事物如何工作以及为何工作的自然好奇心”。

对于 SRE 而言，好奇心不仅适用于技术系统，还包括对人的好奇。因为在工作中，需要与不同团队合作创建有意义的服务水平目标（SLO），并应对各种事件，只有保持好奇心，才能深入了解系统和人员，从而更好地解决问题。

2. 站点可靠性工程的六大核心步骤

当被问到 SRE 具体做什么时，很多人难以给出一个令人满意的答案。经过多年实践，发现 SRE 的工作主要围绕六个关键步骤展开：测量、分析、决策、行动、反思和重复。
- 测量 ：测量并非简单的数据收集，而是要有明确的目标。例如，烤蛋糕时需要测量面粉的量，而不是随意收集。SRE 测量系统是为了判断服务是否满足用户需求，使数据具有实际意义。
- 分析 ：在获得测量数据后，运用基本的统计和概率分析方法，借助数学家们积累的知识，从测量结果中尽可能多地获取信息。
- 决策 ：基于测量和分析