引言

本期分享主题是美图SRE团队的稳定性运营实践，本期分享内容为SRE的目标&挑战、指导破局的理论框架。

一、SRE的目标&挑战

VUCA时代

SRE的目标: 寻求三个核心职责之间的平衡

核心职责与企业发展的关系

SRE的困境

人手不足

• 业务线众多且复杂
• 琐事过多
• 低效的咨询或求助
• 例行的工作事项
• 新人培养成本高
• 风吹草动 捉襟见肘

稳定性压力大

• 技术栈多样 更新快
• 服务发布频率高
• 历史技术债务
• 告警消息满天飞
• 战战兢兢 如履薄冰
• 忙于救火 疲于应付

工具不称手

• 工具缺失或落后
• 工具建设进度缓慢
• 轮子众多 不成体系
• 工具间数据割裂
• 数据/行为的不一致性

成本管控压力大

• 资源用量管控
• 资源利用率管控
• 资源容量规划和管控
• 成本归集、分析、核算
• 成本持续优化

SRE的目标和挑战

二、指导破局的 「理论框架」

SRE稳定性建设全景图(故障生命周期视角)

框架/体系 (DevXOps vs AppLifecycle)

框架/体系 (CI/CD → CI/CD/CO)

云成本管理运营平台能力评估

伴随着企业云资源投入的不断增加，企业需要从财务角度进行云服务的预算制定、成本核算、成本归集和成本优化，以实现对云服务的精细化管理、经济型使用。

云成本管理运营平台能力评估依据标准《面向云资源的财务运营能力通用成熟度模型》，面向于构建云资源财务运营能力的平台进行指导和评价，对云投入成本的合理性、实际效果进行整体、客观、清晰化的理解和评价。

SRE稳定性运营体系(演进方向)

三、互动答疑（Q&A）

石鹏(东方德胜)

2016年加入美图，运维技术专家，美图产品SRE负责人。目前在美图负责社区、商业化、实验室、影像SaaS、创新等全线产品的运维保障工作，同时参与公司日志、监控等基础设施的建设。参与或主导过多次公司基础设施的调整、改造，在监控、灾备、故障管理、稳定性运营等方面有一定的经验和积累。业界多个技术峰会的分享嘉宾或出品人。
 

Q1:关于各种Ops在operate阶段中，你们的宗旨是：不管白猫黑猫，能抓住耗子就是好猫。这句话具体是什么意思？其中抓住耗子指的是什么？

A1：不管白猫黑猫，不管你叫什么OPS，只要它能够持续地帮我们去输出前面提的几个价值点，能够让我们更高效地、更高质量地去提升质量、提高效率、降低成本，那它就是一个好的OPS，就是值得我们去探索的一个OPS。这里其实隐含着一层信息，就是这个猫它所提供的价值是什么。这里讲的猫的“岗位职责”就是需要抓耗子，而不是像现在我们这个“撸猫”等行为中为人们提供了一些其他的价值。

Q2:在SRE稳定运营体系中，你们从以前的被动应对到现在主动出击，过程中是不是要做一些项目？像数据化、Automation、体系化、智能化？或者上一些平台？美图是大概做哪些事情？

A2：因为这一页ppt材料，它展示了我们整个的演进方向和思路，没有具体到我们在这个过程里边需要做什么。那说到这个的话，比如前面我们观测的部分与量化的部分，要从不同领域来看。比如商业领域，我们会去搞一些BI。然后如果说我们是单纯指稳定性保障方向的，我们会去做各种可观测性的建设，我们会去关注服务的质量是什么样子的？研发效能方向，需求迭代的效率是什么样子的？然后平台的话，当然是会需要有一些平台去承载的，不同公司可能会不一样。

本期视频回看：

官方网站：www.sretraining.cn