17、随叫随到：Google 与 Evernote 的值班实践解析

随叫随到：Google 与 Evernote 的值班实践解析

1. 随叫随到的基本概念

随叫随到意味着在特定时间段内保持待命状态，并准备以适当的紧急程度响应生产事故。站点可靠性工程师（SRE）通常需要参与值班轮班。在值班期间，SRE 会根据需要诊断、缓解、修复或升级事故。此外，SRE 还需定期承担非紧急的生产职责。

在 Google，随叫随到是 SRE 的显著特征之一。SRE 团队负责缓解事故、修复生产问题并自动化操作任务。由于大多数 SRE 团队尚未完全自动化所有操作任务，因此需要有人值班来处理升级情况。不过，并非所有 SRE 团队都需要值班，这取决于所支持系统的关键程度和开发状态。

常见的关于随叫随到的问题包括：
- 公司规模小，人员少且无不同时区站点，之前描述的方法是否适用？
- 开发人员和 DevOps 混合值班，如何组织？
- 值班工程师 24 小时内被呼叫上百次，如何解决？
- 值班人员流动率高，如何解决团队知识差距？
- DevOps 团队重组为 SRE，三者值班有何区别？

2. Google 随叫随到的原则

• 目标平衡 ：Google 随叫随到的总体目标是为关键服务提供保障，同时确保不牺牲值班工程师的健康。SRE 工作应是值班和项目工作的健康结合，规定 SRE 至少 50%的时间用于项目工作，以确保团队有时间解决生产中发现的问题。
• 事件限制 ：目标是每个值班班次最多处理两起事件，以确保有足够时间进行后续跟进。若呼叫负载过高，则需采取纠正措施。