现场可靠性工程

现场可靠性工程是一套原则和实践，包含了软件工程的各个方面，并将其应用于IT基础设施和运营。其主要目标是创建高度可靠和可扩展的软件系统。现场可靠性工程被描述为DevOps的一个具体实施。

现场可靠性工程领域起源于谷歌公司的Ben Treynor Sloss，他在2003年加入该公司后成立了一个现场可靠性团队。

2016年，谷歌雇佣了超过1000名网站可靠性工程师。2003年起源于谷歌后，这一概念传播到更广泛的软件开发行业，其他公司随后也开始雇用网站可靠性工程师。

这个职位在较大的网络公司比较常见，因为小公司的运营规模往往不需要专门的SRE。

采用这一概念的组织包括Airbnb、Dropbox、IBM、LinkedIn、Netflix和Wikimedia。

根据DevOps研究所2021年的一份报告，在对2000名受访者的调查中，22%的组织采用了SRE模式。

现场可靠性工程，作为一种工作角色，可以由单独的从业者执行，也可以组织团队，通常在一个更广泛的工程组织中负责以下方面的组合。

系统可用性、延迟、性能、效率、变更管理、监控、应急响应和容量规划。

现场可靠性工程师通常有软件工程、系统工程或系统管理的背景。

现场可靠性工程的重点包括自动化、系统设计和改善系统的恢复能力。

现场可靠性工程，作为一套原则和实践，可以由任何人执行。

SRE与安全工程类似，任何人都可以为良好的安全实践做出贡献，但公司可能决定最终为这项工作配备专家。

相反，为了确保互联网系统的安全，公司可以雇用安全工程师，为了定义和确保他们的可靠性目标，公司也可以雇用SRE。

现场可靠性工程也被描述为DevOps的具体实施，但它特别关注于建立可靠的系统，而DevOps则更广泛地关注。

一些公司已经将他们的运营团队改名为SRE团队，但却没有什么有意义的变化。这也被认为是对运营团队改名为DevOps团队的真实情况。

已有多种尝试来定义网站可靠性工程原则的典型清单，但虽然缺乏共识，但大多数定义中通常包括以下特征。

自动化或消除任何具有成本效益的重复性工作。避免追求比严格意义上所需的更多可靠性。

定义什么是必要的本身就是一种实践。 系统设计偏重于减少对可用性、延迟和效率的风险。

可观察性，即能够对你的系统提出任意的问题，而不需要提前知道你想问什么。

现场可靠性工程实践也有很大的不同，但下面的列表相对来说至少是部分地被实施。

劳动管理是上述第 一条原则的实施。

定义和测量可靠性目标--SLI、SLO和错误预算。

以可靠性为重点的非抽象大规模系统设计（NALSD）。

设计和实施可观察性。

定义、测试和运行事件管理流程。

能力规划。

变更和发布管理，包括CI/CD。

实施，现场可靠性工程团队以各种形式与公司内的其他团队和SRE原则和实践接触。以下是对常见的SRE团队实施的高度概述。

厨房水槽，又称 "一切SRE" 涵盖的服务或工作流程的范围通常是无限制的。

专注于幕后系统的可靠性，帮助其他团队的工作更有效率。这通常与平台团队或平台运营团队相混淆。

基础设施SRE团队可能与一个或多个平台工程团队结成对子，但他们的不同之处在于。

基础设施SRE团队专注于执行上述原则和实践列表中描述的大多数工作。

平台团队倾向于专注于建立平台，虽然可靠性是理想的，但不是他们xxx的优先事项。

专注于测量、维护和改善系统可靠性的工具。例如，Nagios核心。

产品或应用的SRE团队为产品和应用。一些大公司倾向于配备几个这样的团队。

通常是SRE的单独从业者或在软件工程团队中配备的人员，以应用大部分的技术。