SRE生存指南：系统中断响应与正常运行时间最大化
SRE生存指南：系统中断响应与正常运行时间最大化
近20年是互联网技术飞速发展的20年。互联网业务的快速发展不仅直接带来了流量、安全等方面的不确定性，同时也促进了技术架构的快速演进——技术架构变得越来越复杂，而这些因素都将导致系统不可用发生概率的大幅度提升。当人类的工作、生活变得越来越依赖互联网时，一旦网站系统不可用，其造成的影响和损失就将难以想象。
互联网正在逐步演变成像供水、供电设施那样的基础设施，网站系统的可用性变得至关重要。在这样的大背景下，SRE的概念被提了出来，随着互联网在各行各业的深度渗透，SRE快速发展成了一个热门领域。
Google首次创造了 SRE这个职业，负责运维Google 的大部分商业应用。谷歌的Benjamin Treynor Sloss曾说“当要求软件工程师规划一个运维团队时，SRE就诞生了。”（引用自《SRE：Google 运维解密》）他经常被提及的观点是，运维工作现在只是软件工程的一个方面。鉴于谷歌在可靠性方面取得的成功，这个观点已经在许多公司中流行起来。
运维人员常常熬夜甚至通宵工作，天天救“火”，却只能作为执行者，无法真正从“火灾”隐患中走出来。在这样的情况下，研发自动化工具，对内提供服务平台来应对业务的飞速增长；关注有效监控与有效警报，将业务系统白盒化、透明化，甚至达到故障自愈、无人运维的状态。这样运维人员才能解放出更多的精力，从而去关注更高层次的系统性能架构调优、容量的规划与制备等。
虽然大多数企业的业务类型及业务规模与Google相差巨大，但是 SRE的很多指导原则，却适用于不同的企业和业务场景。
这其中服务水平目标（SLO）和事后回顾是核心内容，SLO可以帮助我们设定开发和运维人员需要共同遵守的指标，包括围绕SLO应该如何设定相应的流程、机制和决策原则等。事后回顾告诉我们，“故障是常态，正常才是异常”，所以面对故障，我们更多的应该是从中进行学习和改进，把故障作为提升系统性能的切入点，而不是故障之后的相互指责和推诿扯皮。
作为Google对业务运维体系的反思与整理，SRE理念不仅梳理了在新业务形态下运维人员应该承担的责任，更给运维人员指明了一条职业发展路线。
不同于几年前大家对SRE的认识，如今，国内的一大批互联网企业都在尝试构建自己的SRE体系，SRE逐渐成为互联网企业的标配，该领域也迎来了百花齐放的盛况。
《SRE生存指南：系统中断响应与正常运行时间最大化》是一本SRE指南手册，它不仅完善地介绍了与SRE相关的理论体系，还从实践的维度阐述了SRE的技术体系应该如何构建。对于关注网站可靠性的研发和运维人员，或者其他想深度了解SRE的技术人员来说，这是一本非常值得阅读的参考书。
本书给出了指导原则之外的更多细节介绍和实践方法，可以说是在现有的SRE知识体系下，针对SRE内容的非常好的补充。
本书面向希望提高公司软件可靠性的软件开发人员和运维人员。本书将向你介绍一个致力于提高软件可靠性的基本框架，并使你深入了解站点可靠性工程这个领域。对于已经经历过重大系统服务中断的工程师和开发人员来说，这是你希望拥有的书。对于那些幸运地没有经历过服务中断噩梦的工程师和开发人员，现在就买这本书吧！
第1章-简介
探讨了SRE领域相对较新的发展状况，并概述了用于本书的可供上手实践的框架。
第2章-监控
讨论了在监控时使用的工具和方法。在本章之后，一个很好的实验就是设置对服务的监控，即使它们只是为测试而编写的虚假服务，你也应该去监控它们随着时间是否有所变化。
第3章-事故响应
解释了该如何应对中断，并让团队为最坏的情况做好准备。本章还专注于围绕团队协作建立即时响应与轮换的最佳实践系统，以及构建流程以尽量减轻由生产事故造成的压力。
第4章-事后回顾
让你能为自己、你的团队和你的组织撰写事后回顾报告，以促进事后回顾。本章还讨论了要收集的数据，以及如何借助通信跟踪未来的工作。
第5章-测试和发布
回顾了有关测试和发布的常见实践方案。
第6章-容量规划
介绍了一些有关预算的基础知识，并讨论了如何为基础架构的扩容制订计划。
第7章-构建工具
讨论了如何从提高响应力的角度来编写软件，还探讨了如何发现新项目，如何定义这些项目及如何规划它们。然后，讨论了如何实施这些项目并进行软件的长期维护，以及如何反思自己所做的工作。
第8章-用户体验
概述了有关用户体验和用户测试的基础知识，并讨论了安全性和性能预算问题。
第9章-网络基础
帮助你深入了解网络基础知识。
第10章- Linux和云基础
介绍了Linux和常见云服务的基础知识。