SRE网站可靠性工程师

SRE需要做什么？

一般:

故障模式，尤其是SPOF(单点故障)。消除SPOFs是你作为SRE最大的挑战和乐趣。
基础设施组件，从应用程序到硬件(服务器、交换机、路由器、互联网连接、防火墙、isp、互联网路由(BGP)、IPS系统等)。

应用程序级别:

应用程序负载测试、内存泄漏和断点。

服务器级别:

高可用性和系统故障转移。如何使系统优雅地失败，而不会丢失事务并从最终用户的角度保持有状态。
备份系统。
硬盘的可靠性和故障转移(包括RAID功能)。在数据中心级别，应该考虑灾难恢复(确保故障转移到不同的位置)。

安全与管理:

了解不同类型的网络安全攻击。
sla——把最好的留到最后，sla(service level agreements服务水平协议)是SRE工作中最重要的方面之一。设置、监视和执行sla将占用大量工作。

SRE核心组件

SRE的以下5个理念可以通过事实数据和洞察力带来更好的客户体验。可观察性和实用的度量标准是现SRE促进服务弹性和基础设施正常运行的最佳方法——满足客户的期望。

1)可用性

SRE工程师将负责制定和满足服务水平的目标、协议和指标(SLOs、sla和SLIs)。基于底层应用程序和基础设施的成熟度，以及整个团队的结构和可靠性实践的支持，SREs可以评估合理的指标，以量化客户的正常运行时间和可用性。什么样的可用性水平是合理的，可以假定您可以持续地维护，以及什么会让客户和潜在客户满意，从而带来更多的业务?

2)性能

当然，如果站点可靠性工程师要对服务可用性负责，那么他们也要对性能负责。在某种意义上，性能是看待可用性的另一种方式。在工程团队看来，经历了某种程度的延迟或另一种类型的性能下降的客户，很可能正在经历停机。如果服务不是高性能和可用的，那么它几乎是不可用的。SREs负责为这些生产系统带来见解和行动，以确保开发人员和IT团队快速修复问题，改善客户体验，并使应用程序和基础设施随着时间的推移更具弹性。

3)监控

为了确保性能和可用性，SREs需要知道在其应用程序和基础设施中监视和警告什么。可观察的服务大大提高了开发和发布团队的效率，这自然会提高面向客户的服务的正常运行时间和性能。SREs同时使用白盒和黑箱监控，以及仪表板和其他可视化工具来确保开发，组织中任何地方的IT和安全团队都能更好地了解他们的应用程序和基础设施的健康状况。

4)事件反应

SREs的随叫随到管理和事件响应，通常在不同的组织之间是不同的。虽然站点可靠性工程师并不总是需要随叫随到，但他们至少应该对事件后的评审做出贡献，并在高水平上了解事件响应过程。系统可靠性在很大程度上取决于DevOps和IT团队在处理生产中的事故和中断时的效率。站点可靠性工程师需要对他们的事件响应团队的成功负责——这通常意味着他们需要成为随叫随到过程的一部分。

5)协作沟通

SREs需要确保开发人员和IT运营团队拥有他们需要的资源，以了解他们的系统，知道什么地方出了问题，并快速响应问题。通过事件后的协作评审过程、有用的度量标准和指示板，以及对组织的CI/CD过程的全面改进，站点可靠性工程师在DevOps和IT效率方面有很大的优势。

google招聘SRE的要求

最低学历:

计算机科学学士学位，软件/系统工程相关技术领域，或同等的实践经验。
至少使用以下语言之一进行编程:C、c++、Java、Python或Go。
熟悉算法和数据结构。

优先条件:

具有设计、分析和故障排除大型分布式系统的专业知识。
具有调试、优化代码和自动化日常任务的能力。
系统解决问题的方法，加上有效的沟通技巧和驱动力。
了解Unix/Linux操作系统。

参考

Google’s SRE Book

Google’s Site Reliability Workbook PDF

Google Cloud Platform Podcast

Splunk’s Beginner’s Guide to Observability

SRE, Golden Signals and Happier Customers (webinar)

Continuous Delivery: Reliable Software Releases through Build, Test, and Deployment Automation (book)

The Complete Guide to Post-Incident Reviews

Reducing MTTD for High-Severity Incidents (guide)

The Unicorn Project (book)