第Ⅰ部分 概览

第1章 介绍

系统管理员模式

Google的解决之道：SRE

SRE方法论

确保长期关注研发工作

在保障服务SLO的前提下最大化迭代速度

监控系统

应急事件处理

变更管理

需求预测和容量规划

资源部署

效率与性能

小结

第2章 Google生产环境：SRE视角

硬件

管理物理服务器的系统管理软件

管理物理服务器

存储

网络

其他系统软件

分布式锁服务

监控与警报系统

软件基础设施

研发环境

莎士比亚搜索：一个示范服务

用户请求的处理过程

任务和数据的组织方式

第Ⅱ部分 指导思想

第3章 拥抱风险

管理风险

度量服务的风险

服务的风险容忍度

辨别消费者服务的风险容忍度

基础设施服务的风险容忍度

使用错误预算的目的

错误预算的构建过程

好处

第4章 服务质量目标

服务质量术语

指标

目标

协议

指标在实践中的应用

运维人员和最终用户各关心什么

指标的收集

汇总

指标的标准化

目标在实践中的应用

目标的定义

目标的选择

控制手段

SLO可以建立用户预期

协议在实践中的应用

第5章 减少琐事

琐事的定义

为什么琐事越少越好

什么算作工程工作

琐事繁多是不是一定不好

小结

第6章 分布式系统的监控

术语定义

为什么要监控

对监控系统设置合理预期

现象与原因

黑盒监控与白盒监控

4个黄金指标

关于长尾问题

度量指标时采用合适的精度

简化，直到不能再简化

将上述理念整合起来

监控系统的长期维护

Bigtable SRE：警报过多的案例

Gmail：可预知的、可脚本化的人工干预

长跑

小结

第7章 Google的自动化系统的演进

自动化的价值

一致性

平台性

修复速度更快

行动速度更快

节省时间

自动化对Google SRE的价值

自动化的应用案例

Google SRE的自动化使用案例

自动化分类的层次结构

让自己脱离工作：自动化所有的东西

舒缓疼痛：将自动化应用到集群上线中

使用Prodtest检测不一致情况

幂等地解决不一致情况

专业化倾向

以服务为导向的集群上线流程

Borg：仓库规模计算机的诞生

可靠性是最基本的功能

建议

第8章 发布工程

发布工程师的角色

发布工程哲学

自服务模型

追求速度

密闭性

强调策略和流程

持续构建与部署

构建

分支

测试

打包

Rapid系统

部署

配置管理

小结

不仅仅只对Google有用

一开始就进行发布工程

第9章 简单化

系统的稳定性与灵活性

乏味是一种美德

我绝对不放弃我的代码

“负代码行”作为一个指标

最小API

模块化

发布的简单化

小结

第Ⅲ部分 具体实践

第10章 基于时间序列数据进行有效报警

Borgmon的起源

应用软件的监控埋点

监控指标的收集

时间序列数据的存储

标签与向量

Borg规则计算

报警

监控系统的分片机制

黑盒监控

配置文件的维护

十年之后

第11章 on-call轮值

介绍

on-call工程师的一天

on-call工作平衡

数量上保持平衡

质量上保持平衡

补贴措施

安全感

避免运维压力过大

运维压力过大

奸诈的敌人——运维压力不够

小结

第12章 有效的故障排查手段

理论

实践

故障报告

定位

检查

诊断

测试和修复

神奇的负面结果

治愈

案例分析

使故障排查更简单

小结

第13章 紧急事件响应

当系统出现问题时怎么办

测试导致的紧急事故

细节

响应

事后总结

变更部署带来的紧急事故

细节

事故响应

事后总结

流程导致的严重事故

细节

灾难响应

事后总结

所有的问题都有解决方案

向过去学习，而不是重复它

为事故保留记录

提出那些大的，甚至不可能的问题：假如

鼓励主动测试

小结

第14章 紧急事故管理

无流程管理的紧急事故

对这次无流程管理的事故的剖析

过于关注技术问题

沟通不畅

不请自来

紧急事故的流程管理要素

嵌套式职责分离

控制中心

实时事故状态文档

明确公开的职责交接

一次流程管理良好的事故

什么时候对外宣布事故

小结

第15章 事后总结：从失败中学习

Google的事后总结哲学

协作和知识共享

建立事后总结文化

小结以及不断优化

第16章 跟踪故障

Escalator

Outalator

聚合

加标签

分析

未预料到的好处

第17章 测试可靠性

软件测试的类型

传统测试

生产测试

创造一个构建和测试环境

大规模测试

测试大规模使用的工具

针对灾难的测试

对速度的渴求

发布到生产环境

允许测试失败

集成

生产环境探针

小结

第18章 SRE部门中的软件工程实践

为什么软件工程项目对SRE很重要

Auxon案例分析：项目背景和要解决的问题

传统的容量规划方法

解决方案：基于意图的容量规划

基于意图的容量规划

表达产品意图的先导条件

Auxon简介

需求和实现：成功和不足

提升了解程度，推进采用率

团队内部组成

在SRE团队中培养软件工程风气

在SRE团队中建立起软件工程氛围：招聘与开发时间

做到这一点

小结

第19章 前端服务器的负载均衡

有时候硬件并不能解决问题

使用DNS进行负载均衡

负载均衡：虚拟IP

第20章 数据中心内部的负载均衡系统

理想情况

识别异常任务：流速控制和跛脚鸭任务

异常任务的简单应对办法：流速控制

一个可靠的识别异常任务的方法：跛脚鸭状态

利用划分子集限制连接池大小

选择合适的子集

子集选择算法一：随机选择

子集选择算法二：确定性算法

负载均衡策略

简单轮询算法

最闲轮询策略

加权轮询策略

第21章 应对过载

QPS陷阱

给每个用户设置限制

客户端侧的节流机制

重要性

资源利用率信号

处理过载错误

决定何时重试

连接造成的负载

小结

第22章 处理连锁故障

连锁故障产生的原因和如何从设计上避免

服务器过载

资源耗尽

服务不可用

防止软件服务器过载

队列管理

流量抛弃和优雅降级

重试

请求延迟和截止时间

慢启动和冷缓存

保持调用栈永远向下

连锁故障的触发条件

进程崩溃

进程更新

新的发布

自然增长

计划中或计划外的不可用

连锁故障的测试

测试直到出现故障，还要继续测试

测试最常用的客户端

测试非关键性后端

解决连锁故障的立即步骤

增加资源

停止健康检查导致的任务死亡

重启软件服务器

丢弃流量

进入降级模式

消除批处理负载

消除有害的流量

小结

第23章 管理关键状态：利用分布式共识来提高可靠性

使用共识系统的动力：分布式系统协调失败

案例1：脑裂问题

案例2：需要人工干预的灾备切换

案例3：有问题的小组成员算法

分布式共识是如何工作的

Paxos概要：协议示例

分布式共识的系统架构模式

可靠的复制状态机

可靠的复制数据存储和配置存储

使用领头人选举机制实现高可用的处理系统

分布式协调和锁服务

可靠的分布式队列和消息传递

分布式共识系统的性能问题

复合式Paxos：消息流过程详解

应对大量的读操作

法定租约

分布式共识系统的性能与网络延迟

快速Paxos协议：性能优化

稳定的领头人机制

批处理

磁盘访问

分布式共识系统的部署

副本的数量

副本的位置

容量规划和负载均衡

对分布式共识系统的监控

小结

第24章 分布式周期性任务系统

Cron

介绍

可靠性

Cron任务和幂等性

大规模Cron系统

对基础设施的扩展

对需求的扩展

Google Cron系统的构建过程

跟踪Cron任务的状态

Paxos协议的使用

领头人角色和追随者角色

保存状态

运维大型Cron系统

小结

第25章 数据处理流水线

流水线设计模式的起源

简单流水线设计模式与大数据

周期性流水线模式的挑战

工作分发不均造成的问题

分布式环境中周期性数据流水线的缺点

监控周期性流水线的问题

惊群效应

摩尔负载模式

Google Workflow简介

Workflow是模型—视图—控制器（MVC）模式

Workflow中的执行阶段

Workflow正确性保障

保障业务的持续性

小结

第26章 数据完整性：读写一致

数据完整性的强需求

提供超高的数据完整性的策略

备份与存档

云计算环境下的需求

保障数据完整性和可用性：Google SRE的目标

数据完整性是手段，数据可用性是目标

交付一个恢复系统，而非备份系统

造成数据丢失的事故类型

维护数据完整性的深度和广度的困难之处

Google SRE保障数据完整性的手段

24种数据完整性的事故组合

第一层：软删除

第二层：备份和相关的恢复方法

额外一层：复制机制

1T vs.1 E：存储更多数据没那么简单

第三层：早期预警

确保数据恢复策略可以正常工作

案例分析

Gmail——2011年2月：从GTape上恢复数据（磁带）

Google Music——2012年3月：一次意外删除事故的检测过程

SRE的基本理念在数据完整性上的应用

保持初学者的心态

信任但要验证

不要一厢情愿

纵深防御

小结

第27章 可靠地进行产品的大规模发布

发布协调工程师

发布协调工程师的角色

建立发布流程

发布检查列表

推动融合和简化

发布未知的产品

起草一个发布检查列表

架构与依赖

集成

容量规划

故障模式

客户端行为

流程与自动化

开发流程

外部依赖

发布计划

可靠发布所需要的方法论

灰度和阶段性发布

功能开关框架

应对客户端滥用行为

过载行为和压力测试

LCE的发展

LCE检查列表的变迁

LCE没有解决的问题

小结

第Ⅳ部分 管理

第28章 迅速培养SRE加入on-call

新的SRE已经招聘到了，接下来怎么办

培训初期：重体系，而非混乱

系统性、累积型的学习方式

目标性强的项目工作，而非琐事

培养反向工程能力和随机应变能力

反向工程：弄明白系统如何工作

统计学和比较性思维：在压力下坚持科学方法论

随机应变的能力：当意料之外的事情发生时怎么办

将知识串联起来：反向工程某个生产环境服务

有抱负的on-call工程师的5个特点

对事故的渴望：事后总结的阅读和书写

故障处理分角色演习

破坏真的东西，并且修复它们

维护文档是学徒任务的一部分

尽早、尽快见习on-call

on-call之后：通过培训的仪式感，以及日后的持续教育

小结

第29章 处理中断性任务

管理运维负载

如何决策对中断性任务的处理策略

不完美的机器

流状态

将一件事情做好

实际一点的建议

减少中断

第30章 通过嵌入SRE的方式帮助团队从运维过载中恢复

第一阶段：了解服务，了解上下文

确定最大的压力来源

找到导火索

第二阶段：分享背景知识

书写一个好的事后总结作为示范

将紧急事件按类型排序

第三阶段：主导改变

从基础开始

获取团队成员的帮助

解释你的逻辑推理过程

提出引导性问题

小结

第31章 SRE与其他团队的沟通与协作

沟通：生产会议

议程

出席人员

SRE的内部协作

团队构成

高效工作的技术

SRE内部的协作案例分析：Viceroy

Viceroy的诞生

所面临的挑战

建议

SRE与其他部门之间的协作

案例分析：将DFP迁移到F1

小结

第32章 SRE参与模式的演进历程

SRE参与模式：是什么、怎么样以及为什么

PRR模型

SRE参与模型

替代性支持

PRR：简单PRR模型

参与

分析

改进和重构

培训

“接手”服务

持续改进

简单PRR模型的演进：早期参与模型

早期参与模型的适用对象

早期参与模型的优势

不断发展的服务：框架和SRE平台

经验教训

影响SRE的外部因素

结构化的解决方案：框架

新服务和管理优势

小结

第Ⅴ部分 结束语

第33章 其他行业的实践经验

有其他行业背景的资深SRE

灾难预案与演习

从组织架构层面坚持不懈地对安全进行关注

关注任何细节

冗余容量

模拟以及进行线上灾难演习

培训与考核

对详细的需求收集和系统设计的关注

纵深防御

事后总结的文化

将重复性工作自动化，消除运维负载

结构化和理性的决策

小结

第34章 结语

附录A系统可用性

附录B生产环境运维过程中的最佳实践

附录C事故状态文档示范

附录D事后总结示范

附录E发布协调检查列表

附录F生产环境会议记录示范

参考文献

索引