SRE生存指南:系统中断响应与正常运行时间最大化

"√ 作者长期服务于对服务中断非常敏感的大型互联网公司，总结出一套久经考验的方法论，专用于监控现代Web服务、设置警报、评估针对生产事件的响应机制，以及短时间内恢复网站宕机事故。 √ 除了别出心裁增设SRE面试一章，精华内容还包括监控灾难性故障|向团队发出紧急宕机警报|分析生产事件应对策略|构建属于自己的自动化测试工具或相关软件|预测瓶颈以改善用户体验。 √ 阿里巴巴高可用架构团队负责人游骥|蘑菇街平台技术总监赵成|《SRE：Google运维解密》译者（谷歌前SRE）作序力荐，ThoughtWorks资深技术专家冯文辉倾情献译。 √ 不仅涵盖对服务中断的反应——揭示安全测试和发布软件所需的工具和策略、制订长期增长计划，还预测了未来的瓶颈所在，完整覆盖网站全线全周期危机。 √ 全书系统呈现由冗余和容灾|容量规划|系统自动保护|失败预案|监控能力|发布与变更管理|故障应急处理等领域核心话题构成的SRE技术蓝图。 "

站点可靠性工程（Site Reliability Engineering，简称SRE）是一个令人兴奋的新兴领域，它专注于如何确保系统稳定、可靠地运行。本书基于一个金字塔层次结构模型，深入浅出地介绍了关于SRE 的方方面面，涉及监控、事故响应与回顾、测试与发布、容量规划、开发、用户体验设计，以及贯穿其中的沟通技巧。本书是SRE 工程师、DevOps 工程师、运维工程师和系统管理员不可或缺的参考资料；软件架构师、软件工程师、用户体验设计师也能从本书中获取关于SRE 的相关知识。

"Nat Welch是一名美国的软件开发人员。自2005年以来，他一直做着网站构建及运维的工作。他热爱网站的基础设施建设，因为这可以支持其他人的创造性努力。2012年，Nat成为谷歌的SRE（Site Reliability Engineering，站点可靠性工程）工程师，并爱上了这个职业。从那时起，他在各种规模的公司工作过，并一直致力于提高网站的可靠性，以帮助开发人员构建可靠的系统。 关于审查者 Pavlos Ratis是HolidayCheck的一名SRE工程师，负责自动化软件和基础设施的可靠性。随着时间的推移，他参与了大量的项目，并参与过从编写软件到自动化，管理基于云的多服务器基础设施，到开发Web应用程序等很多环节。 "

目录 1 简介 1 SRE简史 2 SRE是什么 3 关于这本书 7 以SRE作为新项目的框架 9 小结 12 2 监控 13 为什么要监控 13 检测应用程序 16 度量什么 23 SLIs、SLOs和错误预算简介 26 错误预算 27 收集和保存监控数据 29 轮询应用程序 29 推送应用程序 32 展示监控信息 35 任意查询 35 图表 36 仪表板 37 聊天机器人 38 管理和维护监控数据 38 沟通 39 他们知道有监控吗 39 小结 40 参考资料 41 3 事故响应 42 什么是事故 43 什么是事故响应 45 警报 47 什么时候发起警报 48 怎么发出警报 49 向谁发出警报 54 随时待命 55 沟通 57 事故指挥系统 59 在哪里沟通 61 恢复系统 61 警报解除 63 小结 64 4 事后回顾 65 什么是事后回顾 65 为什么写事后回顾报告 66 何时写事后回顾报告 68 开展事故分析 69 如何写事后回顾报告 71 总结 71 影响 72 时间 73 根本原因 74 行动项 75 附录 77 停止事后指责 77 举行事后回顾会议 79 分析以往的事后回顾报告 80 MTTR与MTBF 81 警报疲劳 81 讨论过去的服务中断 81 小结 82 参考资料 82 5 测试和发布 83 测试 84 测试内容 87 发布 100 何时发布 101 回滚 104 自动化 104 持续 105 小结 106 6 容量规划 107 企业财务简介 108 为什么需要规划 110 风险管理与期望管理 111 定义一个规划 112 当前的容量是多少 113 何时达到容量极限 115 应该如何更改容量 119 执行规划 125 架构――性能变化的根源 126 技术作为利润中心和采购 128 小结 128 7 构建工具 129 寻找项目 131 定义项目 133 RDD 133 设计文档 136 项目计划 138 例子 139 回顾会与站会 141 工作分配 142 构建项目 143 关于编写代码的建议 143 关注点分离 144 长期工作 145 笔记本 148 文档与维护项目 149 小结 150 8 用户体验 151 设计和用户体验简介 155 现实世界的交互设计 157 用户测试 160 挑选一种体验 161 设计测试 162 寻找要测试的人 162 开发者体验 163 工具经验 164 绩效预算 164 安全性 166 身份认证 167 授权 168 风险概况 168 网络钓鱼 169 ACM道德准则 170 小结 171 参考资料 172 9 网络基础 173 互联网 173 发送一个HTTP请求 175 DNS 175 以太网和TCP/IP 179 HTTP 186 curl与wget 189 网络监控工具 194 netstat 194 nc 195 tcpdump 196 小结 197 参考资料 197 10 Linux和云基础 198 Linux基础 198 一切皆是文件 199 进程是什么 206 syscalls 207 构建自己的工具 213 云基础 214 虚拟机 215 容器 216 负载均衡 218 自动伸缩 219 存储 219 队列与发布/订阅 220 伸缩单元 221 架构面试示例 222 小结 226 参考资料 226