【稳定性】浅谈团队如何做好系统稳定性
内容提要
稳定性建设需要具体的建设活动，涉及人员、机制和文化。建立团队流程机制来保障稳定性，通过流程和规范减少人为因素导致的故障。SRE是一种对系统稳定性的解决方案，需要转变态度和方式。稳定性工作重在预防，70%的故障可以通过预防工作消除。稳定性建设需要团队参与、完善监控告警、检查隐患。系统在大促时需要处理高并发流量和多样化业务场景。SRE需要快速解决问题和推动解决风险。
延伸解读
从开发到SRE：思维模式的转变
文章指出，开发人员面对问题倾向于探究根因、研究解决方案，而SRE则优先评估影响、快速定位、协调资源、决策恢复手段。这种差异要求SRE从“团队稳定性负责人”的角度思考，主动承担、快速响应、挖掘风险。这种转变不仅是技能上的，更是态度和方式上的，需要责任心、细心和耐心。
预防为主：70%故障可消除
根据多年经验，至少70%的线上故障可通过预防工作消除。因此，日常需投入精力进行根基建设，包括DesignReview、CodeReview、提测流程、上线流程、引流验证、性能测试等。稳定性工作不是一蹴而就，而是日常的点点滴滴，需要团队人人参与、持续完善监控告警、检查每一个告警，及时消灭线上小隐患。
大促稳定性：高并发与多样化场景
大促稳定性与日常稳定性的核心区别在于高并发流量和业务场景多样化。大促流量峰值可能是日常的几十甚至几百倍，需要做好容量规划；同时，大促会增加预售、Promise特殊时效控制、停运降级等日常不用的功能，需提前1个月模拟演练全流程，避免大促期间功能不可用。
扁鹊三兄弟：稳定性工作的三层境界
文章借用扁鹊三兄弟的典故，将稳定性工作分为三层：做扁鹊大哥，事前控制，在系统健康时发现隐藏问题；做扁鹊二哥，事中控制，在系统有隐患时快速解决；做扁鹊，事后控制，在系统故障时快速恢复。SRE应努力向前两层迈进，而非只做“擦屁股”的事后英雄。
Q&A
如何建立团队流程机制以保障系统稳定性？
需要通过流程和规范来减少人为因素导致的故障，建立方案评审、架构设计、代码编写等规范，确保团队成员严格遵守。
SRE在系统稳定性建设中扮演什么角色？
SRE结合开发和运维的角色，专注于风险评估和快速响应，推动系统的高可用性和持续迭代。
稳定性工作重在预防，这是什么意思？
稳定性工作重在预防意味着通过日常的根基建设和监控，可以消除70%的故障，避免问题的发生。
在大促期间，系统稳定性需要注意哪些方面？
需要处理高并发流量和多样化的业务场景，提前进行功能配置和演练，以确保系统的稳定性。
成为一名SRE需要具备哪些素质？
需要具备责任心、细心和耐心，能够及时响应问题并主动承担责任，关注系统的未来风险。
如何进行故障管理以提升故障处理效率？
应规范故障响应流程、故障升级机制和故障复盘机制，明确职责边界，提升沟通效率，推动故障闭环。
