42、站点可靠性工程（SRE）团队的发展与实践

站点可靠性工程（SRE）团队的发展与实践

1. SRE的发展现状与核心原则

在过去几年里，SRE专业和角色已经在谷歌之外广泛传播。在组织中采用SRE原则时，会经历许多类似的转折点，其中一个重要方面是模糊客户与自身的界限，深入与客户在运营层面互动是一个新的领域。

SRE有三个核心原则：
- 原则一：SRE需要有后果的服务水平目标（SLO） ：服务相对于SLO的性能应指导业务决策。即使没有SRE人员，也可通过以下步骤采用SRE实践：
1. 承认不需要100%的可靠性。
2. 设置合理的SLO目标，衡量对用户最重要的可靠性。
3. 商定错误预算政策，用于指导缓解故障的战术行动和长期工作优先级。
4. 测量SLO并承诺遵循错误预算政策，这需要公司领导的同意。
- 原则二：SRE必须有时间让明天比今天更好 ：随着服务使用量增加和系统复杂度提高，如果没有时间进行改进，辛劳（toil）会不断增加。SRE需要在运营责任和项目工作之间取得健康平衡。
- 原则三：SRE团队有能力调节其工作量 ：这一原则在大型SRE组织外较难从一开始就实施，需要根据团队的形成和发展阶段逐步落实。

2. 开启SRE角色

2.1 寻找首位SRE

首位SRE员工可能没有明确的SRE经验，面试时可关注以下相关领域：
| 领域 | 说明 |
| ---- | ---- |
| 运营 | 运行生产中的应用能获得宝贵见解 |
| 软件工程 | 理解并改进所支持的软件 |