【深度好文】如何基于谷歌SRE理论，建设企业IT应用系统稳定性能力？

摘要

在当今数字化转型步伐不断加快的时代，IT应用系统的稳定运行成为了企业的业务正常运转的重要基础，因此，运维管理体系的构建也从围绕着数据中心转向围绕着应用系统方向，首个专门面向应用运维的理论体系——SRE，由Google发布后，受到了越来越多的企业的青睐，很多国内企业已经纷纷效仿Google建立SRE团队，旨在为各个业务应用系统提供更好的稳定性保障能力，为业务保驾护航。

企业转型与快速发展带来的业务异构化必然导致了IT环境的多样化异构化，在不同业务架构和应用架构下，IT践行SRE理念、建设一个先进的稳定性平台也必然是一个循序渐进的过程，本文主要参考SRE中的部分核心理论，从运维标准化和技术工具层面阐述如何建设稳定性能力。

关于SRE和稳定性

SRE的理论很多人都已经比较熟悉，最早是Google的一本书《Site Reliability Engineering: How Google Runs Production Systems》分享了他们如何构建、部署和运维监控他们庞大的软件系统。

SRE提出的目标：

只要是软件，就可能存在bug或者各种运行上的问题。而SRE就是聚焦于的软件系统的稳定性运行。

SRE提出的管理体系：

SRE提出了要有服务质量目标（SLO）、on-call轮值、变更和事故管理、故障复盘、应急响应机制等一系列的管理手段。

SRE提出的组织体系：

SRE强调以软件工程的方式来解决这些稳定性问题，SRE团队中所有的人都具有软件开发能力，其中50% ~ 60%是纯软件工程师，40% ~ 50%既具备软件开发技能，又具备运维技术（PS：如果运维能有这样的人员配比，感觉“永不宕机”指日可待）。

SRE提出的技术体系：

人员能力目标太难达到，我们还是从“事”的角度出发吧。Google认为SRE的职责在于负责软件系统的可用性、时延、性能、效率、变更管理、监控、应急响应和容量管理相关的工作。

前面提到，在企业IT环境异构化的情况下，稳定性能力建设绝不是一个简单的话题，它需要标准化、流程化、数据化，需要将ITOM的配置、监控、自动化、流程等能力融合，需要我们结合多年的运维经验和不断涌现的各种运维技术来逐步构建、升华。

稳定性能力建设的基础

首先，标准化先行。

运维界现在在大谈AIOps，但我们知道，除了关键的AI算法能力外，有质量的数据也是AI的基础。对于运维来说也是如此，高质量的运维数据是AIOps落地的基础，高质量的运维数据不会凭空出现，需要IT标准化。同样，稳定性的践行，要求我们实现一定程度的标准化。