读SREGoogle运维解密有感（一）

读SRE Google运维解密有感（一）

360addops团队 360云计算

作者有话说：

这几天打算利用碎片时间读了一下"SRE Google运维解密"这本书，目前读了前几章，感觉收获颇多，结合自己的工作经历和书中的要点，写一些感悟和思考，希望对大家有一点帮助。
PS：丰富的一线技术、多元化的表现形式，尽在“HULK一线技术杂谈”，点关注哦！

SRE

有关SRE我就不多介绍了，中文名字叫站点可靠性工程师，它的由来是google想通过软件工程师来解决复杂运维问题。 它里面有很多有意思的点，比如:


运维工作只能占比工作时间50%
另外50%要开发工具解决问题
SRE和开发工程师会轮岗

这些相关概念网上很多都介绍了，我就不赘述了，我说下一些我感兴趣的点

谷歌神话

谷歌一直在技术领域处于世界领先位置，从bigtable的三篇论文，开源的k8s，分布式关系数据库，谷歌的技术在IT领域可以说是标杆。

有个传说是谷歌内部使用的系统一般2-3年以后才会出相关论文或者开源版本实现，出来了以后其它企业开始实践还需要2-3年，等到你把这些实现了，谷歌又不知道实现了什么黑科技。IT界如果是江湖的话，谷歌就像是少林派，有一种天下武功出少林的气派。

所以SRE这本书自带光环，很多人都觉得这是运维圣经，觉得这是拯救运维领域的不二法宝。

或许你也在读这本书，你也想在内部尝试SRE的一些方法和思想。

那么首先我劝你先冷静一下，它并不是一个万能的解药，要先考虑下你的公司现状，问题，结合实际国情，找到切实可行的方法。
我为什么这么说呢？请往下看

谷歌的肌肉

首先本书一开始简单说了下SRE的思想和方法论，然后介绍了谷歌的基础设施，就好像一个人一样，谷歌的基础设施就是这个人的肌肉，有了强劲的肌肉才能跑得快，跳得高。

• 网络设施
  谷歌基于自研的交换机Clos，使用SDN技术，确保每个数据中心可提供海量带宽，并且可以动态带宽管理优化网络连接。


• 调度系统
  使用Borg负责在集群层面管理任务编排工作


• 存储
  在物理机设施（磁盘）上构建了一套简单可用，可靠的集群存储服务。


Colossus GFS文件系统的改进白本
Bigtable 松散存储的，分布式，有顺序，持久化的NoSQL数据库
Spanner 分布式的关系型数据库

• 分布式锁
  Chubby 提供一个可以处理异地，跨机房级别锁请求的集群锁服务


• 监控和报警
  Borgmon 从监控对象抓取监控指标，这些指标可以用来触发报警，也可以存储起来供观看。（开源实现是Prometheus）


• RPC
  所有谷歌服务之间使用RPC通信，称为Stubby（开源实现gRPC），传输格式是Protobuf。


• GSLB和BNS


利用地理位置进行负载均衡DNS请求
用户服务层面负载均衡
RPC层面负载均衡

通过各个层面的负载均衡将用户流量导向健康的服务上面。
这些完善的基础设施，给SRE中的方法和思想做了强有力的支撑。

故障不是洪水猛兽

SRE中定义了一个概念叫SLO(服务质量目标)，通过SLO合理评判一个服务要达成的服务质量。

首先我先说下”故障“这个词，这个词对运维人员来说，是非常不想听到和遇到的。运维人员有一个重要任务是确保服务的稳定，换句话说就是没有故障。

所以我们或多或少谈到“故障”就会色变，遇到故障马上第一时间解决，为了避免下次还出现，我们可能还会开“事故总结会”，优化流程和工具。

其实我们很多时候对于“故障”的理解是简单粗暴的，从一线员工到老板都认为“故障不能有”，“故障必须消除”，我们耗费很大精力“消除了一切故障”，系统平稳运行了，自己也会萌生成就感，感觉干的还不赖。可是并没有进一步去思考一下，故障存在的意义。

我们常见的所谓“99.9%”，“99.99%”的服务可用性，但是并没有使用科学方法来分析和规划业务到底应该3个9还是4个9。

SRE中说到一句话“100%稳定的系统是不存在的”，它把这个做为一个前提，那也意味着系统是肯定要出故障的。

SLO就是用来解决这个事情的，首先服务的故障不可避免，每个服务的级别不同，不可能所有服务都是99.999999，要针对业务的不通特性制定不同的SLO。

比如： 谷歌的企业服务，针对企业用户是有签署服务中断赔偿协议的，那么稳定性要求很高，所以它的SLO级别必须很高。 谷歌的youtube（当时），针对终端用户且版本迭代很快，业务在不断变化和创新，SLO级别可以放低。

SLO的制定通常是产品经理，开发团队，SRE一起协商完成，大家根据业务的规模，产品特性，产品处于的阶段制定。

SLO的制定，我觉得就是科学的面对“故障”这个问题，故障不可避免，不应该以消灭故障为目的，合理的接受它，确保它在SLO标准的范围内，高于这个标准会浪费人力和成本，低于这个标准就需要进行优化。

SLO的制定很大程度在于各个团队之间的协商，大家都有基于数据的科学评判方法，比如产品预估的用户数，产品发版周期，使用带宽等。
中国的国情更多的是拍脑袋，老板的态度，上面的一句话“不能有事故”，那就是99.999999999999999无限，没有科学的进行评估。

SLO解决的问题

通过这样一个SLO，之前很多令人头疼的问题就迎刃而解了。

• 成本和收益的矛盾
  大家都知道维护服务可用性的成本不是线性增长的，到一定程度，增加一个9可能需要10倍100倍的成本，通过SLO让成本和收益取得很好的平衡，假设一个业务增加SLO等级，可以计算一下需要的成本和带来的收益，如果得不偿失就可以不用增加SLO等级。


• 科学的运维
  有了SLO，对于运维工作有了可量化的标准，运维工程师不用每天提心吊胆，生怕出现故障，只要故障在SLO范围内就是可接受的，节省出很多精力用在更重要的事情上。


• 稳定和创新的矛盾
  大家都知道运维工程师最不喜欢的就是“线上变更”，一个服务如果不做变更一般都是很稳定的，问题往往出现在变更上。
  可是一个新业务往往需要大量变更，不停的迭代创新。
  这个时候运维会说：别做变更了，稳定是第一位的，出了故障，我们得背锅。
  开发会说：我们得变更，这样才有新功能，才能获取更多用户啊。
  矛盾因此产生了。
  通过SLO很好的解决了这个矛盾，我们先一起给这个业务制定好SLO的等级，如果是需要频繁的变更的，可能SLO等级就会低一些。
  这样在满足业务创新的需求上，只要在SLO范围内，就认为业务是稳定的。
  反之，如果变更太频繁，使故障率超出了SLO可接受的范围，可以要求开发调低变更频率，或者重新制定SLO等级。
  这样就解决了业务既要“稳定”又要“创新“的矛盾。
  

  结语

  SRE Google运维解密是非常好的一本书，它是谷歌运维体系的结晶，但是它也是建立在谷歌”健壮的肌肉“之上，建立在科学评估（非人治）之上，我们可以从中学习，也要冷静思考。