Google SRE 工作手册详细总结：写给从未接触过 SRE 的人

Tue, 26 Oct 2021 10:00:00 +0800

Google SRE 工作手册详细总结：写给从未接触过 SRE 的人

参考书籍：Google SRE 团队《The Site Reliability Workbook》（《SRE 工作手册》，2018）目标读者：第一次听说 “SRE” 这个词，想知道它到底是什么、解决什么问题、能不能用在自己团队的人。

〇、这本书是什么？

Google 在 2016 年出版了《Site Reliability Engineering》（第一本 SRE 书），讲的是 SRE 的原理——Google 是怎么想的。2018 年这本《Workbook》（工作手册）是它的姊妹篇，讲的是 怎么落地——两本书的章节基本一一对应（比如第一本书第 4 章"服务级别目标"对应本书第 2 章"实施 SLO"）。

这本书最有价值的一点是：它故意收录了大量 Google 之外的公司 的落地案例——Evernote、Home Depot（家得宝）、《纽约时报》、Spotify、Waze、PagerDuty——就是为了破除"SRE 只在 Google 那种规模和文化下才玩得转"的误解。全书由 100 多人贡献完成。

用前言里 Mark Burgess 的话说，整本书可以浓缩成三句话：

承诺：明确地设定服务的目标、期望和水平；
评估：根据指标和预算约束持续评估这些承诺；
反应：快速做出反应以兑现承诺。

一、SRE 到底是什么？和 DevOps 什么关系？

SRE = Site Reliability Engineering，网站可靠性工程。这个词由 Google 工程副总裁 Ben Treynor Sloss 创造。一句话概括：

SRE 就是让软件工程师去做运维团队的工作——“运维是一个软件问题”。

传统模式里，开发团队（追求快速出新功能）和运维团队（追求稳定别出事）天然对立：开发想"快发"，运维想"别动"。SRE 用一套量化的工程方法消解这个矛盾，而不是靠开会吵架。

那它和 DevOps 是什么关系？第 1 章的标题本身就是一行代码，堪称全书最著名的梗：

class SRE implements DevOps

DevOps 是一套文化和哲学，SRE 是它的一种具体实现——就像极限编程（XP）是敏捷（Agile）的一种具体实现。Puppet 前 VP Andrew Clay Shafer 在前言里甚至说：如果第一本 SRE 书早几年出版，社区会团结在"消除琐事"的旗帜下，“DevOps"这个词可能根本不会存在。

DevOps 的五个关键思想与 SRE 的对应实现：

DevOps 思想	SRE 的具体做法
不再有孤岛	SRE 与开发共享所有权、用相同的工具
事故是正常的，指责无用	对事不对人的事后总结（blameless postmortem）
变更应该小步快跑	金丝雀发布、CI/CD、降低失败成本（MTTR）
工具和文化相互关联	统一的工具链本身就是文化载体
度量至关重要	SLI / SLO / 错误预算

SRE 的七条核心原则：

运维是一个软件问题——用写代码的方式消灭重复劳动；
按 SLO 管理——不追求 100% 可用性（为什么，下面细讲）；
努力减少琐事（toil）；
自动化今年的工作——Google 硬性规定 SRE 花在琐事上的时间不超过 50%，而且要把它当成"保证"而不是"上限”；
通过降低失败成本来加快开发速度——恢复快（MTTR 低）比不出事更重要；
与开发者共享所有权；
无论头衔如何，都使用相同的工具。

这里有一个值得记住的反面案例：2017 年 5 月英国航空大停运，被书中引为"把运维当成本中心拼命压缩"的失败典型——一场大事故抵消了低成本运营省下的所有钱。

二、全书的地基：SLI、SLO、SLA 和错误预算

第 2 章被作者称为"本书最重要的章节"，金句是：“没有 SLO，就不需要 SRE”。这一节是全书的地基，务必看懂。

2.1 三个容易混淆的概念

用一个"外卖小哥"的比喻：

SLI（Service Level Indicator，服务级别指标）：你实际测出来的数字。比如"过去 30 天，99.2% 的外卖在 40 分钟内送达"。
SLO（Service Level Objective，服务级别目标）：你给自己定的目标。比如"我们承诺 99% 的订单 40 分钟内送达"。
SLA（Service Level Agreement，服务级别协议）：和客户签的、违约要赔钱的商业合同。通常比 SLO 宽松，SLO 是内部"提前预警线"，SLA 是"最后底线"。

工程上的标准写法：

SLI = 好事件数 / 总事件数        （0% ~ 100% 之间）
错误预算 = 100% − SLO

错误预算（Error Budget） 是全书最重要的发明。它的逻辑是：既然 100% 不可靠也不必要，那么"允许出错的额度"就是一种可以花掉的预算——你可以用它来快速发布新功能、做架构实验；预算花光了，就冻结发布，全员回头修可靠性。开发和运维的矛盾，从"立场之争"变成了"看数据说话"。

2.2 为什么不追求 100% 可用性？

书中给了四个理由：

组件同时故障的概率永远不为零，100% 在数学上就做不到；
用户访问你的服务要经过很长的链路（手机 → 运营商 → 公网 → 机房），你把可用性从 99.9% 提到 99.99%，用户的实际体验提升微乎其微——边际效用递减；
100% 意味着你不能做任何变更，而变更是功能迭代的前提；
100% 的 SLO 只是"运维团队的 SLO"，不是一种工程文化。

还有一个很直观的乘法效应：如果你的服务依赖 9 个可用性 99.99% 的关键上游，你的总可用性 ≈ 0.9999¹⁰ ≈ 99.9%——4 个 9 直接掉到 3 个 9。第 19 章还有一个更扎心的数字：客户在 99.999% 的平台上自己只做到 99%，最终用户感受到的是 99% × 99.999% = 98.99901%。

2.3 一个完整的例子：手机游戏后端

第 2 章用一个手机游戏案例贯穿始终，非常适合入门者理解。架构如下：

graph LR
    A["📱 手机 App"] --> B["HTTP API 服务"]
    B --> C[("永久存储<br/>游戏状态/排行榜")]
    A --> D[("用户数据存储<br/>头像等")]
    C --> E["⏰ 定时管道<br/>生成今日/本周/历史排行榜"]
    E --> F[("排行榜数据存储")]
    G["🌐 网站"] --> F

先量现状：过去 4 周 API 总请求 3,663,253 次，成功 3,557,865 次（可用性 97.123%），P90 延迟 432ms，P99 延迟 891ms。据此定出入门级 SLO：

可用性：97% 请求成功
延迟：90% 请求 < 450ms，99% 请求 < 900ms

对应的错误预算：每四周允许失败约 109,897 个请求。

然后看两个真实事故的"预算消耗"对比，这是全书最有说服力的算账方式：

事故	错误数	消耗预算
一次坏发布，NullPointerException 持续 4 小时	14,066	13%
唯一的状态数据库故障，从备份恢复花了 20 小时	~72,000	65%

结论很反直觉：五年只发生一次的数据库故障，远没有每年 2~3 次的坏发布值得投入——改进发布流程的优先级应该高于调查服务器故障。这就是错误预算的意义：它把"该把工程资源投到哪"从拍脑袋变成了算术题。

2.4 落地 SLO 的完整流程

flowchart TD
    A["绘制服务架构图"] --> B["组件分类：<br/>请求驱动 / 管道 / 存储"]
    B --> C["为每类组件选 SLI 规范<br/>（不超过 5 种）"]
    C --> D["选择 SLI 实现方式<br/>（日志 → 探针 → 客户端插桩，精度递增）"]
    D --> E["基于历史数据定初始 SLO"]
    E --> F{"三方达成一致？<br/>产品：对用户够用<br/>开发：预算耗尽愿意行动<br/>SRE：不靠英雄主义守得住"}
    F -- 否 --> E
    F -- 是 --> G["白纸黑字写错误预算政策<br/>（预算耗尽怎么办）"]
    G --> H["监控 + 告警上线"]
    H --> I["定期审查迭代 SLO"]

三类组件各自推荐的 SLI：

请求驱动型（API 服务）：可用性、延迟、品质；
管道/流水线型（数据处理）：新鲜度、正确性、覆盖范围；
存储型：耐用性（数据丢不丢）。

错误预算政策里要事先写清楚"预算耗尽怎么办"：可靠性 bug 最优先、冻结生产变更（P0 问题和安全补丁除外），极端时宣布"紧急状态"，直到服务回到 SLO 以内。附录 B 还有一个值得抄的细节：单个事件消耗超过四周预算的 20% → 必须做事后调查，且至少包含一个 P0 行动项；对错误预算计算有分歧 → 上报 CTO 裁决。

三、非 Google 公司怎么落地？两个完整案例

3.1 Evernote：和云厂商"打破 SLO 的墙"

背景：全球 2.2 亿用户、存储 120 亿条信息、750+ 个 MySQL 实例，从自建数据中心迁往 GCP。传统"开发 vs 运维"两种模式（“you build it, you run it” 和 “you build it, we run it”）都试过了，都不满意，于是在 Google CRE（客户可靠性工程）团队帮助下落地 SLO。

首版 SLO：按月窗口、99.95% 正常运行时间；用第三方探针 Pingdom 每分钟轮询，需两个地理独立的探针连续失败才算"停机"；维护窗口也算停机（用户不知情就是不可用）；
治理节奏：每月与 Google 团队审查一次 SLO，每 6 个月修订一次，9 个月迭代了 3 版；指导原则是"完美是良好的敌人"——先有再优；
一个漂亮的故事：2017 年讨论是否压缩发布窗口时，双方用 SLO 计算把发布窗口从 5 个减到 2 个，量化了客户影响，消除了主观争论；
最创新的一点：与 Google 共享实时 SLO 仪表板。于是 Google 的告警从泛泛的"GCP 负载均衡今天有点慢"变成"该问题影响 Evernote SLO 的 5%"，重大事件双方作为联合 P1 故障单处理。

3.2 Home Depot（家得宝）：传统企业的规模化推广

背景：北美 2,200+ 门店、近 40 万员工、每年 15 亿+ 交易——证明 SRE 不是互联网公司专利。

他们发明了 VALET 框架（呼应 Google 的四大黄金信号，连批处理系统都能套用）：

Volume 容量（流量/处理记录数）
Availability 可用性
Latency 延迟
Errors 错误
Tickets 故障单（人工介入次数）

推广靠四板斧：

flowchart LR
    subgraph 推广四支柱
        A["通用语言<br/>VALET 缩写，人人会说"]
        B["布道<br/>内部博客/路演/T恤贴纸<br/>FiRE 学院培训"]
        C["自动化<br/>TPS Report 自动采集指标<br/>VALET 仪表板 + 聊天机器人"]
        D["激励<br/>SLO 纳入开发经理年度目标"]
    end
    A & B & C & D --> E["一年从 0 到 800 个服务<br/>每月新增约 50 个"]

给产品经理的简化分级表也很实用：99.5% = MVP/内部工具；99.9% = 大多数非销售系统；99.95% = 销售系统；99.99% = 共享基础设施。他们的原话值得引用：“我们是一家传统企业；如果我们能成功引入这么大的变化，您也可以。”

四、监控与告警：在预算烧光之前叫醒你

4.1 监控的基本盘

监控的五大用途：告警、诊断、可视化、长期趋势/容量规划、变更前后对比。指标和日志要分工：指标近实时但粒度低（告警、仪表板用它），日志有延迟但精确（根因分析用它）。数据新鲜度很关键——超过 4~5 分钟的失效数据会严重影响事件响应。

现代监控栈是松散耦合的：Prometheus（采集/规则）→ InfluxDB（长期存储）→ Alertmanager（告警聚合）→ Grafana（仪表板）。

4.2 告警的正确姿势：盯着错误预算的"消耗率"

新手最常见的告警写法是"错误率超过 X% 就报警"，书第 5 章用一整章论证这有多糟糕，并给出了演进路径：

flowchart TD
    M1["方法1：错误率≥SLO 就告警<br/>❌ 太敏感：10 分钟 0.1% 错误率就告警<br/>实际只消耗月预算 0.02%，每天可收 144 条"]
    M2["方法2：加大告警窗口<br/>❌ 检测太慢，大事故发现太晚"]
    M3["方法3：加持续时间参数 for:1h<br/>❌ 每 10 分钟一次 5 分钟的 100% 错误尖峰<br/>累计烧掉 35% 预算却永不触发"]
    M4["方法4：按消耗率 burn rate 告警<br/>⚠️ 进步明显，但重置时间长"]
    M5["方法5：多消耗率分档<br/>⚠️ 快烧/慢烧分开告警"]
    M6["方法6：多窗口多消耗率 ✅<br/>长窗保证精确度，短窗保证灵敏度"]
    M1 --> M2 --> M3 --> M4 --> M5 --> M6

消耗率（burn rate） = 当前错误率相对 SLO 允许错误率的倍数。对照表（99.9% SLO，30 天窗口）：

消耗率	错误率	耗尽预算需时
1	0.1%	30 天
10	1%	3 天
1000	100%	43 分钟

最终推荐的"多窗口多消耗率"参数（针对 99.9% SLO，可直接抄）：

呼叫值班（紧急）：1 小时长窗 + 5 分钟短窗，消耗率 14.4（约 2% 预算/小时）
呼叫值班（次紧急）：6 小时 + 30 分钟，消耗率 6
工单（不紧急）：3 天 + 6 小时，消耗率 1

短窗口取长窗口的 1/12。两个极端情况的提醒：低流量服务（每小时 10 个请求时，1 个失败就是 10% 错误率）要合并请求或拉长时间窗；99.999% 的服务 100% 中断 26 秒就耗尽预算——比大多数监控采集间隔还短，只能靠自愈。

五、消除琐事（Toil）：SRE 的时间去哪了

琐事（toil） 的六大特征：手动、重复、可自动化、被动应对、无持久价值、随服务规模线性增长。Google 规定 SRE 花在琐事上的时间不超过 50%，保证至少一半时间做"让明天比今天更好"的工程。

书中几个精彩案例：

John Looney 修内核：2005 年他入职 Google 时的活儿是修坏机器——任何时候都有超过 20,000 台坏机器。发现大量机器是日志把根分区填满，他本想写个脚本"截断大日志 + 重启 syslog"了事，被队友拦下要求修根因。最终他向 Linux 内核提交补丁，并用"这个问题导致 Google 每小时损失约 1000 美元"的成本分析说服了内核团队。修症状是琐事，修根因才是工程。
“不完美的自动化就够了”：Google 数据中心网络维修自动化（Saturn/Jupiter 项目）中，内存错误诊断被过度分析了三年（收集了 650+ 个离散问题数据），后来发现多数错误是暂时性的，重启重装即可恢复——完美的自动化不值得，“足够好"的自动化先跑起来。
“买下那个侏儒”：早年 Froogle 搜索"跑鞋"会返回一个穿跑鞋的花园侏儒（eBay 商品），修不掉这个 bug，团队干脆在 eBay 上把侏儒买了下来。引申义：有时改变现实去适应代码，比反过来便宜。

遗留系统的四阶段处理路径：避免 → 封装/增强（高息技术债转低息）→ 替换/重构 → 退役/监护。

与琐事相关的第 7 章"简单化"还有两个名案例：

Borg vs Omega：Omega 本想做成"更干净的 Borg"重写版，但 Borg 持续演进让 Omega 永远追不上移动的目标，迁移成本高到不可行。结局：Omega 的想法回流 Borg，概念最终催生了开源的 Kubernetes。教训：重写前先算一算"同样的精力投入改进现有系统会怎样”。
pDNS 循环依赖：客户端查服务 IP 依赖 Svelte，Svelte 依赖 pDNS，pDNS 的负载均衡器又依赖 Svelte——“我们就像洞穴居民，只能用上一次篝火点燃的火炬点火”（系统冷启动成为不可能）。解法：低级组件本地缓存关键 IP 列表，打破环路。

六、值班与事件响应：像消防队一样打仗

6.1 可持续的值班体系

关键数字：轮班不超过 12 小时；每 12 小时班次最多 2 个事件（再多就处理不过来了）；多站点 24/7 值班每站点至少 5 人；保证 ≥50% 的时间留给项目工作。警惕"温水煮青蛙"式的运维过载——值班负载用 21 天移动平均来看趋势。

Evernote 的事件分级很清爽：P1 立即处理（呼叫值班、影响 SLO）、P2 下一工作日（邮件通知）、P3 仅供参考（只看仪表板）。

6.2 事件指挥体系（ICS/IMAG）

大规模事件的打法直接借用了消防系统：1968 年消防员为应对野火创建的事件指挥系统（ICS），Google 内部叫 IMAG。核心思想：混乱中最大的敌人不是故障本身，而是"谁说了算都不知道"。

graph TD
    IC["🎖️ 事件指挥官 IC<br/>总负责，做决策，默认承担未委派的角色"]
    CL["📢 沟通主管 CL<br/>对用户/领导/媒体发通告"]
    OL["🔧 运维主管 OL<br/>带领团队执行技术操作"]
    IC --> CL
    IC --> OL

事件管理围绕"三个 C"：Coordinate（协调）、Communicate（沟通）、Control（控制）。四条基本原则：保持命令清晰、明确角色、实时记录、尽早且频繁地宣布事件。行动顺序永远是"缓解优先"：评估影响 → 缓解影响 → 根因分析 → 修复与事后报告。

三个真实案例，一正一反一个惊险：

反例：Google Home/Assistant 事件（2017）：一个 bug 让文件获取频率比预期高 50 倍，5 月 22 日就发现 QPS 异常，但误判了根因，而且在周六把灰度推到了 100%（违反"首次上线仅在工作日"的铁律），用户丢了一半请求，靠开发者周末"英雄主义"硬扛。教训：没有尽早宣布事件、缓解后没定根因就继续推送。
惊险：GKE CreateCluster 中断：欧洲集群创建失败率超 60%，根因竟是从 DockerHub 拉取的一个镜像损坏（美国正常）。伦敦 SRE 6:41 被呼叫，9:10 才正式建立 IMAG 结构（太晚了），最后发现用现成的 GCR 镜像站点（--registry-mirror=https://mirror.gcr.io）就能缓解——镜像其实早就就位了。总中断 6 小时 40 分钟，41 人参与，事后报告列出 28 个行动项。最大教训：发现大致位置后就该先用"通用缓解"（回滚到已知良好状态），而不是继续深挖根因。
正面：比利时数据中心雷击（2015）：两分钟内 4 次雷击，UPS 电池在第 3、4 次雷击间隔太近时未能切换，磁盘托盘断电。事件指挥得当：IC 定了三个明确目标，沟通主管对四类受众（公司领导、依赖团队、外部客户、工单客户）分别通报。最终数据丢失仅 0.000001%——管理良好的事件，损失可以极小。

七、事后总结文化：从失败中学习

SRE 文化的灵魂是对事不对人的事后总结（blameless postmortem）。第 10 章用同一个真实事故的"坏版本"和"好版本"两版报告做对比，极其有教育意义。

事故本身（2014-08-11，Google 卫星擦除事故）：Google 在托管机房部署的代理/缓存机架叫"卫星"。一次机架退役流程中，自动化中途失败，工程师手动重跑——重跑时 GetMachines() 返回了空列表，而 API 有个 bug：空列表被当作"无过滤条件"，而不是"不操作任何机器"。于是全球所有卫星机器在几分钟内被磁盘擦除。

flowchart TD
    A["机架退役自动化失败"] --> B["工程师手动重跑流程"]
    B --> C["GetMachines() 返回空列表"]
    C --> D["API bug：空列表 = 无过滤条件<br/>（而不是不操作任何机器）"]
    D --> E["全球所有卫星进入退役流程"]
    E --> F["磁盘被全部擦除 💥"]
    F --> G["边缘流量切到核心集群<br/>用户延迟上升约两天"]
    G -.->|"容量规划良好，<br/>用户几乎无感知"| H["几天后恢复"]

两版事后报告的对比：

	坏版本	好版本
发布时间	拖了 4 个月	4 天内（8/11 出事，8/15 发布）
根本原因	“dylanfour@ 粗心大意忽略自动化”	深入分析 API 语义缺陷与流程漏洞
行动项	全是 P2，措辞含糊（“使自动化更好”）	每项有唯一所有者、优先级、bug 号，含 P0 级"大红色按钮"（紧急停止开关）
分享范围	团队小范围	全公司工程师

后续更有说服力：三年后类似事件重演，但第一次事后总结落实的行动项大幅缩小了爆炸半径。Google 运维副总裁 Ben Treynor Sloss 的原话：

“没有后续行动的事后总结等于没写事后总结。所有影响用户的停机事后总结必须至少关联一个 P0/P1 bug，例外由我亲自审批，例外极少。”

事后总结文化崩塌的信号也要警惕：工程师回避参与、高管说指责性语言、没时间写、同类事故重复发生。

八、管理负载：Pokémon GO 的惊险一课

Google 管理流量的三层工具：负载均衡 + 自动扩缩容 + 减载（load shedding）。核心警告是：必须把它们当作一个整体系统设计，否则工具之间会形成灾难性的反馈回路。

8.1 案例：Pokémon GO（2016，真实）

上线前按最乐观估计的 5 倍做了负载测试，实际流量是估计的近 50 倍。随后发生的级联故障堪称教科书：

flowchart TD
    A["真实流量超预期 50 倍"] --> B["Niantic 前端代理跟不上入站连接"]
    B --> C["后端变慢但不拒绝请求"]
    C --> D["负载均衡层自动重试 GET"]
    D --> E["GFE 的 SSL 客户端代码被打到极限"]
    E --> F["GCLB 全球容量实际下降 50% ⚠️"]
    C --> G["客户端立即重试 + 固定退避<br/>错误时所有客户端同步重试（雷群）"]
    G --> H["同步峰值达此前全球 RPS 峰值的 20 倍"]
    F & H --> I["Google SRE 三步止血：<br/>①隔离 Pokémon GO 专用池 ②扩容 ③限流"]

事后双方各自改进：Niantic 给客户端加了抖动（jitter）+ 截断指数退避；Google 学会把 GFE 后端当潜在负载源、建立准入负载测试。共同教训：尽可能靠近客户端测量负载。

8.2 案例：Dressy 减载反馈回路（虚构但典型）

三区域部署，A 区流量上涨先触发减载（CPU 超阈值直接拒绝请求）→ 被拒请求几乎不耗 CPU → 负载均衡器一看"A 区每个请求成本只有 B/C 的 1/10，效率最高！"→ 把更多流量发给 A → A 区 503 爆炸。恶性循环的根源：配减载的和配负载均衡的是两拨人，没人把它们当统一的负载管理系统检查。修法很巧妙：让被拒绝的请求按 120% CPU 计入利用率，A 区立刻"显得"过载，流量自然流向 B/C。

九、NALSD：把白板上的架构图翻译成数字

NALSD（Non-Abstract Large System Design，非抽象大型系统设计） 是 Google 要求的系统设计方法：从问题出发迭代设计，每一步都必须把架构图翻译成具体的资源估算（多少台机器、多少字节、多少 IOPS），并回答四个问题——“可能吗？能做得更好吗？可行吗（钱和硬件）？有弹性吗（故障怎么办）？”

书中用 AdWords 点击率统计系统做了五轮完整迭代：每秒 50 万次搜索查询、1 万次广告点击，为数百万广告主出实时仪表板（SLO：99.9% 的查询 1 秒内完成，数据延迟不超过 5 分钟）。

flowchart LR
    I1["迭代1 单机方案<br/>100TB/天日志<br/>需 2500 块 HDD 或 1563 台机器<br/>❌ 单点故障一串"] --> I2["迭代2 MapReduce 批处理<br/>❌ 做不到 5 分钟内可见"]
    I2 --> I3["迭代3 LogJoiner<br/>流式 join 查询日志与点击日志<br/>⚠️ IOPS 单机扛不住"]
    I3 --> I4["迭代4 分片 + 副本<br/>hash(query_id) mod N<br/>⚠️ 单数据中心仍是单点"]
    I4 --> I5["迭代5 多数据中心 + Paxos ✅<br/>每 DC 约 4TB RAM、64 台机器<br/>网络带宽只用 25%"]

给面试和日常设计的启发：每轮迭代不是"画个更复杂的图"，而是算一笔账——日数据量 = QPS × 86400 × 条目大小；磁盘数 = QPS ÷ 单盘 IOPS；Paxos 顺序吞吐 = 1000ms ÷ 跨机房 RTT。假设不必完美，有价值的是把多个不完美但合理的估算组合起来做决策。

十、数据处理管道、配置与金丝雀发布

10.1 把管道当服务运营（Spotify 案例）

数据管道也要定 SLO：新鲜度（“99% 的数据 30 分钟内处理完”）、正确性、完整性。Spotify 的事件传递系统每天收集数千亿条事件（听歌、点广告……），用于向艺术家支付版税——可靠性是财务级要求。

flowchart LR
    A["Spotify 客户端事件"] --> B["Cloud Pub/Sub 主题<br/>（按事件类型完全隔离）"]
    B --> C["消费微服务"]
    C --> D["分区微服务<br/>分配到小时桶"]
    D --> E["Dataproc 批作业去重"]
    E --> F[("GCS 小时桶<br/>与下游的唯一接口")]

三个值得抄的设计决策：时间戳用服务器接收时间而非客户端时间（用户可以离线缓冲 30 天、可以改设备时间）；只给"财务相关"事件承诺偏度/完整性 SLO，刻意不提供数据质量 SLO——“我们是邮政服务：负责按时完整送达，包裹里的内容质量归寄件人”；容量规划留安全边际，高峰 CPU 不超 50%。

10.2 配置：最好的人机界面是"没有配置"

配置三要素哲学：理想配置是完全没有配置（系统自动识别正确值）；以用户为中心（用户说"我要热的绿茶"，而不是指定水量/温度/浸泡时间）；动态默认值（线程数默认 = CPU 核数）。任何配置变更必须满足安全三属性：逐步部署、可回滚、失控时自动回滚（想想多少人用防火墙规则把自己锁在服务器外面过）。

10.3 金丝雀发布：用小部分错误预算买安全感

术语来自煤矿里的金丝雀。核心是一笔账：一个缺陷导致 20% 请求出错，直接全量发布就是 20% 总错误率；先部署到 5% 的金丝雀集群，总错误率只有 5% × 20% = 1%。

flowchart TD
    A["新版本部署到 5% 金丝雀集群"] --> B["细分指标对比：<br/>金丝雀组 vs 对照组"]
    B --> C{"错误率/延迟显著偏离？"}
    C -- 是 --> D["暂停发布 + 回滚<br/>通知人工介入"]
    C -- 否 --> E["逐步扩大：1%→10%→50%→100%"]
    E --> F["全量发布 ✅"]
    D -.->|"修复后重来"| A

两个容易踩的坑：监控指标的聚合间隔必须小于等于金丝雀时长（30 分钟的金丝雀用"每小时错误数"评估，噪声会淹没信号）；金丝雀指标首选 SLI，且总数不要超过 12 个。

十一、人的部分：过载恢复、团队建设与组织变革

第三部分"流程"处理的是书中最"软"也最难的部分。

11.1 识别过载并恢复（第 17 章）

过载分两种：真实过载（任务量客观超支）和感知过载（沟通不足导致的主观感受）——书中强调，感知过载的实际危害和真实过载一样大，而且会传染。恶性循环是这样的：

flowchart LR
    A["运维过载"] --> B["心理压力"]
    B --> C["犯错增多"]
    C --> D["可靠性下降"]
    D --> E["更多运维工作"]
    E --> A
    B --> F["心理安全下降<br/>协作与信息共享停滞"]
    F --> G["效率更低"]
    G --> E

真实案例：Google 一个支撑 Gmail/Drive 后端的存储 SRE 团队，2016 年三分之二的成员短期相继转岗。恢复方法朴素得出奇：全队进一个房间把所有职责写上白板分类，两天时间（一天分类、一天写文档/做自动化）清理了几个月的积压；之后每两周分类一次，每人最多 10 张打开的工单，超了就有五种干预动作。另一个感知过载团队（悉尼/苏黎世两地）的恢复路线是分三档：短期先减压（圆桌吐槽会、删掉垃圾警报、“慷慨地静音”）、中期减负（把一项服务交还开发团队、补员）、长期治本（SLO 对齐、服务统一化）。约一年后匿名调查显示团队重回"高效且安全"。

11.2 SRE 怎么参与一个服务（第 18 章）

SRE 永远是稀缺资源（Google 把 SRE:开发比例控制在 1:10 左右），所以要主动选择参与模式。服务的生命周期：

flowchart LR
    A["架构与设计"] --> B["积极开发<br/>（生产化）"] --> C["有限可用 Beta<br/>GA 前必须定 SLO"] --> D["一般可用 GA<br/>通过 PRR 生产准备审查"] --> E["弃用<br/>SRE 同时运维新旧两套"] --> F["放弃<br/>运维交还开发团队"] --> G["不支持"]

两个一正一反的收场案例：Ares 团队（好聚）——反滥用团队 CAT 内部建立了具备生产知识的 Ares 小组，SRE 通过"交流计划"转移知识后体面退出，CAT 开发速度反而提升；数据分析管道（好散）——合作十年后关系恶化（旧系统到极限、沟通破裂），最终解散 SRE 团队、平稳移交，教训是"如果关系健康，本可以暂时交还再取回"。

11.3 SRE 团队生命周期（第 20 章）

从 0 到 1 的路径，三条原则贯穿：①SRE 需要有结果的 SLO；②SRE 必须有时间让明天比今天更好；③SRE 团队必须能调节自身工作量。

flowchart TD
    A["没有 SRE？<br/>先用 SLO：承认不要 100% → 定 SLO → 写错误预算政策 → 测量并执行"] --> B["招第一个 SRE<br/>考察：运维/软件工程/监控/自动化/架构"]
    B --> C["组建 SRE 团队<br/>Tuckman 模型：组建 → 震荡 → 规范 → 表现"]
    C --> D["多团队：按产品域或技术栈拆分<br/>⚠️ 警惕无人认领的组件"]
    D --> E["地理分布式<br/>时区间隔 6-8 小时最佳，避开凌晨值班"]

警告：不要在还没实践 SRE 原则之前，把"运维团队"改名成"SRE 团队"——品牌一旦失败，组织会彻底否定 SRE 这个概念。

11.4 组织变革管理：Waze 的逆袭（第 21 章）

Waze（2013 年被 Google 收购）的消息队列是全公司组件的通信命脉。吞吐量暴增后可靠性崩溃，最糟时整个 SRE 团队连续两周 24/7 救火，每小时手动重启部分组件才能维持数千万用户的服务。

变革路径（完美对应 Kotter 八步模型）：2 名 SRE + 1 名高级工程师组成"指导联盟"；评估现成产品后决定自研；招募志愿军先给占 30% 以上流量的单个组件建专用队列，挤出两个月的原型窗口；重写客户端库实现新旧系统流量切换；先迁低流量高重要性的消息流，双写提供备份路径。最终新系统承载旧系统 1000 倍以上的负载，且几乎无需人工干预。第二轮变革是部署流程：引入 Spinnaker 持续交付，如今 Waze 超过 95% 的服务持续部署，几乎无人工干预。

书里还有一条推广通用工具的朴素经验：迁移成本必须接近零（“重新编译就能用上”），收益必须明确（“现在你已经不受某某漏洞影响”），衡量推广成功的第一指标是采用率。

十二、结语：把这本书带走的五句话

没有 SLO，就不需要 SRE——先量化"什么叫足够可靠"，再谈可靠性工程。
错误预算是开发速度与稳定性的通用货币——预算充足就大胆发布，花光就冻结变更，不用吵架。
琐事不超过 50%，修根因不修症状——每小时损失多少钱，把账算给决策的人听。
缓解优先于根因，对事不对人——先把用户救回来，再写一份有 P0 行动项的事后总结。
SRE 不是 Google 专利——Home Depot 一年从 0 到 800 个服务，“如果我们能做到，您也可以。”

最后用全书结尾的祝福语收个尾：

愿你的查询流畅，愿你的传呼机保持沉默。 （May your queries flow and your pagers stay silent.）

Google on 方糖猫Blog

Google SRE 工作手册详细总结：写给从未接触过 SRE 的人

Google SRE 工作手册详细总结：写给从未接触过 SRE 的人

〇、这本书是什么？

一、SRE 到底是什么？和 DevOps 什么关系？

二、全书的地基：SLI、SLO、SLA 和错误预算

2.1 三个容易混淆的概念

2.2 为什么不追求 100% 可用性？

2.3 一个完整的例子：手机游戏后端

2.4 落地 SLO 的完整流程

三、非 Google 公司怎么落地？两个完整案例

3.1 Evernote：和云厂商"打破 SLO 的墙"

3.2 Home Depot（家得宝）：传统企业的规模化推广

四、监控与告警：在预算烧光之前叫醒你

4.1 监控的基本盘

4.2 告警的正确姿势：盯着错误预算的"消耗率"

五、消除琐事（Toil）：SRE 的时间去哪了

六、值班与事件响应：像消防队一样打仗

6.1 可持续的值班体系

6.2 事件指挥体系（ICS/IMAG）

七、事后总结文化：从失败中学习

八、管理负载：Pokémon GO 的惊险一课

8.1 案例：Pokémon GO（2016，真实）

8.2 案例：Dressy 减载反馈回路（虚构但典型）

九、NALSD：把白板上的架构图翻译成数字

十、数据处理管道、配置与金丝雀发布

10.1 把管道当服务运营（Spotify 案例）

10.2 配置：最好的人机界面是"没有配置"

10.3 金丝雀发布：用小部分错误预算买安全感

十一、人的部分：过载恢复、团队建设与组织变革

11.1 识别过载并恢复（第 17 章）

11.2 SRE 怎么参与一个服务（第 18 章）

11.3 SRE 团队生命周期（第 20 章）

11.4 组织变革管理：Waze 的逆袭（第 21 章）

十二、结语：把这本书带走的五句话