Table of Contents

Site Reliability Engineering in Six Words

网站可靠性工程师的六字诀

当刚认识的人问我是做什么工作的时候，我一般都会回话说：“我是网站可靠性工程师。我们保持大规模(可能上万台服务器的规模)计算机服务的可靠性。” 对于很多人来说，这已经足够无聊了，一般来说我们还在继续寒暄。不过偶尔，我也会碰到比这更好奇的人。“哦，这听起来很有趣！你是怎么做到的？”

这是一个很难回答的问题! SRE到底能做什么？许多年来，我只是依靠列出各种各样的东西–其中一些已经被写进了这本书的文章里。虽然这样的答案并不完全是错误的，但也从未感到真正的满足。必须有一个更有凝聚力的答案，当我反思我从事这项工作的十年，我想我终于想明白了。实际上，SRE所做的每一件事都依赖于我们做六件事的能力：测量、分析、决定、行动、反思、重复。

测量并不只是指收集数据。要测量某样东西，你心中要有某种目标。你收集面粉不是为了烤蛋糕，而是为了测量面粉，否则，事情最终会变得一团糟。SRE需要测量一些东西，因为纯粹的数据是不够的。我们的数据需要是有意义的。我们需要能够回答这样的问题：“这项服务所做的事情是用户所需要的吗？”

一旦你有了测量结果，下一步就是分析它们。这时，一些基本的统计学和概率分析就会有所帮助。通过使用数学家们几个世纪的研究和知识，尽可能多地从你所测量的事物中学习。

现在你已经尽力测量和分析了某一事物的表现。用这个分析来决定如何最好地走向未来吧!

然后你必须采取行动。你实际上需要做你决定要做的事情。有可能这个行动其实就是不采取任何行动!

最后，回想一下你做过的事情。无论你做了什么，都要把批判的–但无可指责的目光正视。一般来说，你可以从这个过程中学到比最初的测量分析更多的东西。

现在你重新开始。由于你的决定，世界上的一些事情要么发生了变化，要么没有，你需要继续测量，看看这个行动或不行动的真正影响到底是什么。继续测量，然后分析、决定、行动、反思，不断重复。这就是SRE的方式。循序渐进是实现可靠性的唯一可靠途径。

网站可靠性工程是一门广泛的学科。我们经常被要求成为软件工程师，系统管理员，网络工程师，系统架构师，甚至是教育者或顾问，但有一个范式贯穿所有这些角色，那就是SRE是数据驱动的。测量你需要测量的东西，分析你收集的数据，决定如何处理这个分析，根据你的发现采取行动，反思你的决定，然后再重新做一遍，一遍又一遍。

测量、分析、决定、行动、反思、重复：这就是网站可靠性工程师的六字诀。

我们如何构建本书的结构

SRE虽然涉及复杂的技术系统，但归根结底是一种文化实践。文化是人的产物，这启发我们根据你在组织中的SRE数量来组织本书的各个部分–你具体处理什么，你的一天是怎样的，取决于有多少个SRE工程师。我们将本书的文章分为 “SRE新手” 、0-1个SRE、1-10个SRE、10-100个SRE和 “SRE的未来 ”。

读者如果想找寻先从哪里开始的指导，可以直接跳到最适用于自己的部分；但是，你仍然会发现阅读那些目前并不适用于你日常的部分的文章的价值。

在0到1个SRE时，还没有人被指定为SRE，或者你已经找到了你的第一个SRE，这个角色看起来几乎是孤独的。

在1到10名SRE时，你正在组建一个团队，有知识共享和分工的能力。

在10到100个SRE时，你已经成为一个组织，你需要思考的不仅仅是你所从事的系统，还需要思考如何组织这么多SRE。

“SRE新手” 涵盖了基础性的话题（尽管并不详尽！），对于那些刚刚开始SRE之旅的人来说是很有帮助的，即使是最有经验的SRE，也是一种复习。 “SRE的未来” 包含了一些文章，这些文章探讨了SRE潜在的发展方向，或者是（目前）坐拥时代潮流。

没有必要按照任何特定的顺序阅读本书。你可以从头到尾读一遍。或者，如果你对某个特定的主题感到好奇，可以翻到索引，在那里你可以找到关于该主题的所有文章。把它作为参考指南，或者是灵感的来源–可以在需要的时候提供一个震撼。或者，也许可以建立一个阅读俱乐部，每周一次挑选一篇文章与同事讨论。这就是散文集的魅力所在。我们希望你和我们一样喜欢阅读它们。

结语

SRE系列的文章，有时间我就会翻译一些，希望大家能学到对自己有用的东西。谢谢