什么是 SRE？成为一名优秀的 SRE 需要具备什么能力？
内容提要
SRE（Site Reliability Engineering）是Google提出的概念，旨在通过标准化、自动化和可扩展的方式解决运维难题。SRE的工作要求技能全面，以软件工程解决问题为方向，并具备强大的Trouble Shooting和思考能力。工作范畴包括可观测性系统、故障响应、测试与部署、容量规划、自动化工具开发、用户支持、Oncall和制定可交付的SLI/SLO/SLA等。故障复盘是SRE的重要环节，通过回顾和总结故障，以避免相同问题再次发生。
延伸解读
SRE 在国内的落地差异
文章指出，SRE 在国内的定位因公司而异，大厂通常分为 PaaS-SRE 和业务 SRE，前者维护平台基建，后者保障业务稳定性。而在尚未普及 SRE 文化的公司，SRE 可能等同于运维开发工程师，职责更模糊。这种差异意味着，读者在理解 SRE 时需结合自身公司背景，不能直接套用 Google 的定义。
可观测性系统的核心作用
可观测性系统是 SRE 工作的基础，包括指标监控、日志和调用链分析。文章强调，它提供数据化支持，使故障响应和容量规划等决策基于数据而非经验。一个企业级可观测系统应具备完备指标采集、海量设备支持、数据存储与分析能力，并趋向平台化，以整合多元运维数据。
故障响应的关键环节
故障响应建立在可观测性数据之上，包含关注、交流和恢复三个动作。文章提醒，告警只是发现问题的第一步，更重要的是定义处理策略和培训人员。告警系统需确保及时性和准确性，避免无效告警淹没运维人员。通过告警压缩和健康度评分，可以提升响应效率。
SLO 与 SLA 的实践要点
SLO 和 SLA 是衡量服务质量的关键指标。文章详细解释了 SLI、SLO 和 SLA 的定义与关系，并指出设置 SLO 时需指定时间窗口、使用一致窗口、设置免责条款。SLA 则是在 SLO 基础上增加后果，涉及合约双方。合理设置这些指标有助于平衡资源投入与服务质量。
Q&A
SRE的主要职责是什么？
SRE的主要职责包括可观测性系统、故障响应、测试与部署、容量规划、自动化工具开发、用户支持、Oncall以及制定SLI/SLO/SLA等。
成为一名优秀的SRE需要哪些技能？
成为优秀的SRE需要具备全面的技能，包括网络、操作系统、监控、CI/CD等，并且需要一定的研发能力和强大的故障排查能力。
故障复盘在SRE工作中有什么重要性？
故障复盘是SRE的重要环节，通过回顾和总结故障，能够避免相同问题再次发生，促进系统的改进。
SRE如何进行容量规划？
容量规划是通过预测未来和发现系统极限，管理风险和期望，依赖于海量的运维数据来确保系统的可扩展性。
SRE的可观测性系统包括哪些方面？
可观测性系统包括指标监控、日志监控和调用链分析，确保能够洞察系统的健康状态和可用性。
SRE的Oncall工作流程是怎样的？
Oncall工作流程包括收到告警、检查告警原因、确认线上服务状态、定位问题和解决问题。
