SRE-描述文档

SRE是什么

SRE（Site Reliability Engineering）即网站可靠性工程，以软件工程的方法论重新定义研发运维，驱动并赋能业务演进。

SRE的职责

SRE主要负责所有核心业务系统的可用性、性能、容量相关的事情，根据《Site Reliability Engineering 》一书提及的内容，笔者做简单汇总，SRE的工作主要包括但不限于如下：

• 基础设施容量规划

• 生产系统的监控

• 生产系统的负载均衡

• 发布与变更工程管理

• on-call（轮值） 与 Firefighting（紧急故障救火）

• 与业务团队协作，共同完成疑难问题的处理

要做哪些事情

• 基础组件能力提升

• 性能优化

• 数据库稳定性治理

• 监控预警治理

• 故障诊断与恢复

• 变更流程规范

• on-call轮值

• 稳定性日报

这些事情怎么做

基础组件能力提升

• AHAS能力接入

• 整体上云

性能优化

• 数据库慢sql优化

• 慢接口优化

• rediskey优化

数据库稳定性治理

• 主从库读写分离

监控预警治理

• arms监控

• error日志监控

• 云中间件监控

• 监控配置

故障诊断与恢复

• 全链路日志串联

• rds的sql分析

• Prometheus监控指标

• redis缓存分析

• 故障复盘

变更流程规范

• 线上变更钉钉群通知

• dms多级审批

• 变更评审以及发布评审

on-call轮值

• 高峰期项目稳定性全天9:00-21:00点轮班

• SRE小组全天8:00-20:00轮班

稳定性日报

• 高峰期稳定性日报

异常怎么处理

• 拉通相关人员，及时同步信息

• 确认故障范围，减小故障规模

• 编写故障手册，规范处理步骤

• 参照异常处理手册