B. Google SRE指导思想

B. Google SRE指导思想
    拥抱风险
    服务质量目标
        服务质量指标
            常见指标
                错误率
                系统吞吐量
                可用性
                持久性：数据能够完整保存的时间
                等等
            分类
                通用的指标：正确性
                用户可见的服务系统：可用性、延迟、吞吐量
                存储系统：延迟、可用性和数据持久性
                大数据系统：吞吐量、端到端延迟
            汇总
                平均值：掩盖分布变化和受长尾效应影响
                分布（百分位）
            标准化：需要形成SLI模板
                汇总间隔：每 1 分钟汇总一次
                汇总范围：集群中的全部任务
                度量频率：每10秒一次
                包含哪些请求：从黑盒监控任务发来的 HTTP GET请求
                数据如何获取：通过监控系统获取服务器端信息得到
                数据访问延迟：从收到请求到最后一个字节被发出
        服务质量目标：某个指标的目标值或者目标范围
            目标定义
            目标的选择
                不要仅以目前的状态为基础选择目标：例如系统重构会影响到SLO等
                保持简单：质量指标尽可能的简单
                避免绝对值：目标以区间为宜，系统在没有延迟增长的情况下无限扩张或许能够做到，但是代价也是巨大的
                SLO越少越好
                不要追求完美
            案例：Chubby：计划内停机。当Chubby的SLO远超预期的时候，会人为地停止服务，从而找出哪些服务对Chubby不合理的依赖。
        服务质量协议
    分布式系统监控
        观点
            Google趋向于使用监看和快速的监控系统配合高效的工具进行事后分析。我们会避免任何“魔法”系统 --- 例如试图自动学习阈值或者自动检测故障原因的系统
        监控类型
            白盒监控
            黑盒监控
        4个黄金指标
            延迟：处理某个请求所需要的时间
            流量：HTTP请求数量，或者网络I/O速率，或者并发会话数
            错误：有可能是显示错误、隐式错误（返回错误信息）、或者策略性错误（比如说超过1s返回就算错）
            饱和度：很多服务在资源占用达到100%之前，性能就已经严重下降了
        长尾问题：例如平均响应时间100ms，但是1%的请求会占到5s
            分位数统计
            分组：比如说0~10ms请求数，30~100ms请求数，等等
        不同指标采用不同的精度
            比如
                CPU 1分钟的平均负载，可能措施峰值
                年度可用性在99.9%的服务每分钟检测1~2次可能过于频繁
                年度可用性在99.9%的服务每分钟检测磁盘容量可能过于频繁
                等等
        战术
            短期可用性和长期可用性之间的冲突和平衡
    自动化系统
        琐事
            手动性
            重复性的
            可以被自动化的
            战术性的
            没有持久价值
            与服务同步线性增长
        价值
            一致性：如果是人工操作，无法保证针对同一个故障每次操作结果都是一致的
            平台性
            修复速度快
            行动速度更快
            节省时间
        类型
            脚本自动化
            Borg/Kubernetes
            上线自动化
    发布工程