77 lines
3.0 KiB
Markdown
77 lines
3.0 KiB
Markdown
|
---
|
||
|
|
tags: [microservice, sre, slo, error-budget, postmortem]
|
||
|
|
create time: 2026-05-05
|
||
|
|
---
|
||
|
|
|
||
|
|
# SRE 实践 — 参考手册
|
||
|
|
|
||
|
|
## 概述
|
||
|
|
|
||
|
|
站点可靠性工程 (SRE) 把运维问题看作**软件工程问题**。它的核心理念是用 SLI/SLO/SLA 来量化服务质量，避免"我觉得系统很慢"这类模糊描述。本文档是总入口：顶层概览、速查表见本页；详细教程和实操指南在子文档中。
|
||
|
|
|
||
|
|
```mermaid
|
||
|
|
flowchart LR
|
||
|
|
User["用户体验"] --> SLI{"实际测量"}
|
||
|
|
SLI -->|"达标"| SLO_OK["✅ SLO 达成"]
|
||
|
|
SLI -->|"不达标"| Budget["消耗错误预算"]
|
||
|
|
|
||
|
|
Budget --> Left{"预算剩余?"}
|
||
|
|
Left -- "> 50%" --> Ship["快速迭代 🚀"]
|
||
|
|
Left -- "< 10%" --> Stabilize["稳定优先 ❄️"]
|
||
|
|
|
||
|
|
style User fill:#e3f2fd
|
||
|
|
style SLO_OK fill:#e8f5e9
|
||
|
|
style Ship fill:#fff3e0
|
||
|
|
style Stabilize fill:#ffebee
|
||
|
|
```
|
||
|
|
|
||
|
|
## 快速导航
|
||
|
|
|
||
|
|
| 主题 | 定位 | 文档 |
|
||
|
|
|------|------|------|
|
||
|
|
| SLI / SLO / SLA 详解 | **基础**：三层模型、比例对照表、设定方法 | [[04-SRE实践/01-SLI-SLO-SLA详解]] |
|
||
|
|
| Error Budget 深度解析 | **进阶**：计算方式、决策矩阵、告警联动 | [[04-SRE实践/02-错误预算深度解析]] |
|
||
|
|
| SRE 心法与事故复盘 | **文化**：五条心法、Postmortem 模板、DORA Metrics | [[04-SRE实践/03-SRE心法与事故复盘]] |
|
||
|
|
|
||
|
|
## SRE 五条心法
|
||
|
|
|
||
|
|
1. **用户视角定义 SLO** — 不是"API P99 < 200ms"，而是"用户在正常网络下加载页面 < 2s"
|
||
|
|
2. **错误预算用完 = 停止功能开发** — 全力修 bug、加稳定性
|
||
|
|
3. **Blameless Postmortem** — 不问"谁干的"，问"流程哪里可以改进"
|
||
|
|
4. **自动化一切重复劳动** — 手动操作一定会出错
|
||
|
|
5. **接受一定程度的失败** — 在可控范围内快速迭代，比追求完美更重要
|
||
|
|
|
||
|
|
## Error Budget 计算速查
|
||
|
|
|
||
|
|
| SLO | 月预算 | 周预算 | 日预算 |
|
||
|
|
|-----|--------|--------|--------|
|
||
|
|
| 99% | ~5h | ~72min | ~14min |
|
||
|
|
| 99.9% | ~43min | ~10min | ~1.4min |
|
||
|
|
| 99.95% | ~21min | ~5min | ~43s |
|
||
|
|
| 99.99% | ~4.3min | ~1min | ~8.6s |
|
||
|
|
| 99.999% | ~26s | ~6s | <1s |
|
||
|
|
|
||
|
|
## SRE Metrics 看板
|
||
|
|
|
||
|
|
| 指标 | 说明 | 精英级目标 |
|
||
|
|
|------|------|-----------|
|
||
|
|
| **MTTR** | Mean Time To Recovery | < 1h |
|
||
|
|
| **Change Failure Rate** | 变更导致故障的比例 | < 5% |
|
||
|
|
| **Lead Time for Changes** | 代码提交到上线的时间 | < 1h |
|
||
|
|
| **Deployment Frequency** | 部署频率 | 每日多次 |
|
||
|
|
|
||
|
|
> [!tip] DORA Metrics
|
||
|
|
>
|
||
|
|
> Google 提出的四大 DevOps 指标，广泛用于评估工程效能：
|
||
|
|
> - **部署频率** — 交付速度
|
||
|
|
> - **变更前置时间** — 从代码提交到生产部署需要多久
|
||
|
|
> - **变更失败率** — 多少部署导致了故障或回滚
|
||
|
|
> - **MTTR** — 恢复服务的平均时间
|
||
|
|
|
||
|
|
## 关联笔记
|
||
|
|
|
||
|
|
- [[04-SRE实践/01-SLI-SLO-SLA详解]] — SLI/SLO/SLA 三层模型基础
|
||
|
|
- [[04-SRE实践/02-错误预算深度解析]] — Error Budget 告警规则示例
|
||
|
|
- [[hhs/MS/05-部署运维/02-Kubernetes]] — K8s HPA 弹性伸缩支撑 SLO 保障
|
||
|
|
- [[hhs/MS/05-部署运维/03-CICD与GitOps]] — GitOps 支持安全的持续交付
|