从谷歌 20 年的站点可靠性工程（SRE）中学到的 11 个经验教训
💡
原文中文，约3500字，阅读约需9分钟。
📝
内容提要
谷歌站点可靠性工程的11个经验教训，包括故障削减措施与故障严重程度成比例、全面测试恢复机制、金丝雀变更、备份通信通道、故障弹性测试等。这些教训通过谷歌在不同故障中的经验总结而来，对提高系统可靠性和稳定性至关重要。
🎯
关键要点
- 故障削减措施的风险应与故障的严重程度成比例。
- 在发生紧急情况之前，应对恢复机制进行全面测试。
- 金丝雀所有变更，以避免全球性故障。
- 确保每个服务依赖项都有一个易于触发的‘大红色按钮’。
- 仅进行单元测试是不够的，还需要进行集成测试。
- 确保有独立的备份通信通道，并对其进行测试。
- 故意降级性能模式以提供连续的最小功能。
- 进行故障弹性测试和恢复测试，以确保业务连续性。
- 自动化故障削减措施以减少平均解决时间。
- 缩短部署之间的时间间隔，以降低部署出错的可能性。
- 维护多样化的基础设施以防止单点故障。
➡️
