什么是 SRE？

站点可靠性工程师是一个独特的岗位，要么必须具有系统管理员背景、或有运维经验的软件开发人员；要么必须是有软件开发技能的 IT 运维人员。 

SRE 团队负责部署、配置和监控代码，以及生产服务的可用性、延迟、变更管理、应急响应和容量管理。

SRE 团队根据服务水平协议（SLA）确定新功能的推出，并利用服务水平指标（SLI）和服务水平目标（SLO）定义系统所需的可靠性。 

SLI 测量所提供服务水平的特定方面。关键 SLI 包括请求延迟性、可用性、错误率和系统吞吐量。SLO 基于根据 SLI 而指定的服务水平的目标值或范围。

然后，根据确定可接受的停机时间，确定所需系统可靠性的 SLO。这个停机时间称为误差量，即出错和中断的最大允许阈值。 

SRE 并非要实现 100% 可靠性，而是针对故障做好计划并妥善应对。

一旦建立，开发团队就可以在发布新功能时允许出现这一定量的误差。利用 SLO 和误差量，团队随后可确定产品或服务是否能够在可用误差量的基础上启动。

如果某项服务在运行时处于误差量以内，则开发团队可在任何时间发布它，但是，如果系统当前有太多错误或停机时间超过误差量的允许范围，则必须使错误数减少至误差量以内后才能发布。   

开发团队可执行自动化运维测试以验证可靠性。 

站点可靠性工程师的时间要均衡分配给运维任务和项目工作。根据 Google 的 SRE 最佳实践，站点可靠性工程师最多只能将一半的时间花在运维上，因此，应对其进行监督，确保不会超过这一时间。  

他们剩余的时间应专注于开发任务上，比如创建新功能，扩展系统，以及实施自动化。

额外的运维工作和表现欠佳的服务应重新指定给开发团队，这样站点可靠性工程师就不用将太多时间花在应用或服务的运维上。 

自动化是站点可靠性工程师的重要工作部分。如果他们一直在反复处理同一个问题，就会努力实现解决方案自动化。 

保持运维和开发工作之间的平衡是 SRE 的重要组成部分。