Google诠释其它企业在实施SRE中的错误

在近期的DevOps Enterprise Summit伦敦大会上，Google客户可靠性工程师Stephen Thorne做演讲澄清了SRE（站点可靠性工程，Site Reliability Engineering）的概念，并指出为什么很多企业并不了解SRE的基本前提和优点的原因所在（此处可下载演讲幻灯pdf文件）。Thorne在一些企业中看到的主要误解，在于将SLO（服务级别目标，service level objectives）和SLA（服务级别协议，service level agreements）混为一谈。SLO侧重于早期的故障检测，而SLA通常用做已发生故障的经济补偿，它不强制错误预算（error budgets），也不会让SRE团队花费至少一半的精力去改进系统和工具，而是让人们继续疲于奔命，因此也称为在生产环境中“灭火”。

Thorne补充说，SLO是先期发现问题的基础，理想情况是先于客户感受到问题的影响。好的SLO应符合客户的输出（例如服务可用性、响应时间等），从而反映出一个系统（行为）是否满足用户的需求。系统监视资源的使用情况（例如CPU利用率、网络吞吐量等），但这些度量本身不应做为SLO。Thorne认为，“如果客户满意，那么就满足SLO”。Google的一些典型SLO包括：

• 每月运行时长99.9%（即每月只有43分钟宕机时间）。
• 每月99.99%的HTTP请求成功返回“200 OK”。
• 50%的HTTP在300毫秒内返回。

另一方面，SLA通常在客户已对服务产生不满意时才发挥作用，因此SLA并不会主动提高系统的可靠性。此外，SLA可能会引发错误的行为。例如，如果同时面对一个两小时修复电子邮件问题的SLA和一个一天内修复生产系统严重问题的的SLA，按规程会导致首先处理一个（或多个）电子邮件问题。但是很显然，生产系统出现的问题应该得到优先处理。

Thorne警告说，仅定义SLO是不够的。错误预算策略是通过设置明晰的操作规则（而非货币补偿），在系统接近于SLO的阈值之前达成SLO。一旦系统无法满足用户的需求，SLO也可以最大限度减少运维和开发之间的对抗。Thorne指出，“错误预算是存在于完美可靠性与SLO之间的差距”。Google的典型错误预算政策是，一旦应用用尽其错误预算（例如，本月已超出43分钟的宕机时间预算），就禁止启动新功能；或者根据前期事故后分析（post-mortem analysis）所给出的更正操作，专门建立一个Sprint。

然而Thorne强调指出，一些适用于Google的做法并非适用于每个组织。“SRE需要SLO，结果是在可接受的失败水平与必要的成本和交付速度之间取得平衡”。准确的SLO和政策必须适用于特定的组织，而不是复制和粘贴Google的做法，并且应该是聚焦于不断改善客户体验，而不是设定一些可能适得其反的崇高目标或严厉惩罚。Thorne在演讲中给出了一个例子，一个组织在努力降低推荐系统的处理时间。原先用户平均在6小时后回访网站，才会看到这些推荐情况。一个适当的SLO将在6小时内处理所有建议，这意味着务可以省下三位解决响应时间慢“问题”的非全职工程师工作。

Thorne提出SRE的第三个关键问题，即SRE团队应能够平衡日常（通常是无计划的）运维和规划工作间的工作量，以降低人员的操劳（也称为“灭火”）。在Google，这意味着至少有50％的SRE是用于项目工作，包括尽早研判新系统的架构，发现其中的弹性反模式（resiliency anti-pattern），并避免此后更多的操劳；改进监控，自动执行重复的任务，或协调故障后纠正措施的实施。

Thorne进一步明确给出了一些实现SRE的反模式。例如，在并未率先让SRE原则和机制（SLO、错误预算政策和平衡工作负载）落地的情况下，仅是将运营团队重新命名为SRE团队，或仅是雇佣一些SRE工程师。

Thorne认为SRE的成功实施之路具有5个关键步骤：

1. 根据场景定义聚焦于客户的SLO；
2. 定义合理的错误预算策略；
3. 雇佣（内部或外部）SRE人员，并在领导层支持的情况下对他们授权；
4. 支持SRE优化调整SLO，并强制执行错误预算策略；
5. 将任务关键系统的可靠性责任指定给SRE团队，其它系统的责任指定给相应的开发团队。

Google在将自身的经验教训汇总为《SRE宝典——Google生产系统是如何运维的》一书之前，就已在企业内部开发并扩展SRE原则达数年之久。Throne提及，Google将于月末推出相应的《SRE工作手册》一书。

查看英文原文： Google Explains Why Others Are Doing SRE Wrong