Adsense应急事件处理-GoogleSRE运维技术
Adsense应急事件处理-GoogleSRE运维技术可靠性是MTTF(平均失败时间）和MTTR（平均恢复时间）的函数，评价一个团队将系统恢复到正常情况的最有效指标就是MTTR.
任何需要人工操作的事情都只会延长恢复时间，一个可以自动恢复的系统，即使有更多的故障发生，也要比事事都需要人工干预的系统可靠性更高，当不可避免的需要人工介入时，我们也发现于船到桥头自然直的态度相比，通过事先预案并且将最佳方法记录在运维手册上，通常事先预案并且将最佳方法记录在运维手册（playbook)上可以便MRRT降低三倍以上，初期几个万能的工程师的确可以解决生产问题。但是长久看来，一个手持运维宝典经过多次演习的on-call工程师才是正确之路多么完备的。运维手册也无法替代人的创新思维，但是在巨大的时间压力和产品压力下，运维手册中记录的清晰调试步骤和分析方法，对处理问题的人是不可或缺的，因此谷歌SRE将大部分工作重心放在运维手册的维护上，同时通过wheel of misfortune等项目，不断培训团队成员.
运维属于超大公司设立的部门，要求有很强大的功底. 留下脚印，恶补:lol
页:
[1]