站点可靠性工程 (SRE) 正迅速成为现代 IT 运营的一个重要方面，尤其是在高度扩展的大数据环境中。随着企业和行业转向数字化并采用新的 IT 基础设施和技术以保持运营和竞争力，IT 团队需要一种新方法来找到和管理发布新系统和功能与确保这些系统和功能直观、可靠、对最终用户的友好程度也有所提高。

在过去几年中，对站点可靠性工程及其相关领域的兴趣激增。根据 LinkedIn 最近的一项调查，网站可靠性工程师被列为过去五年内增长最快的 25 个职业之一。但站点可靠性工程到底是什么？它如何影响数字企业完全满足甚至超过其服务水平目标 (SLO) 并实现其业务目标的能力，即使在大规模环境中也是如此？尽管没有完美的技术这样的东西，但拥有正确的流程可能会使世界变得不同。继续阅读以了解有关站点可靠性工程以及如何实施最佳实践以确保所有系统以最高效率和可靠性运行的更多信息。

什么是站点可靠性工程？

站点可靠性工程从软件工程的角度看待和处理 IT 操作。任务是持续监控 IT 系统、工具和功能，主要是它们的可用性、延迟、性能和容量。

站点可靠性工程师依靠软件来管理系统、查明问题并自动执行各种操作任务。 SRE 获取历史上分配给运营团队并由运营团队手动执行的任务，并将它们移交给站点可靠性工程师。然后 SRE 承担任务并利用自动化和标准化来解决问题并进一步提高整个生产系统的可靠性。

SRE 现在被视为创建和管理可扩展且高度可靠的软件系统的关键部分。借助 SRE，IT 团队和系统管理员可以通过代码管理和操作更大的系统。这种做法使他们能够扩展和维护数千或数十万台机器。

站点可靠性工程师做什么？

SRE 负责最大限度地提高计算机系统的可靠性和效率。 SRE 了解所有与计算机系统交互的人对该系统的期望，并努力满足这些期望。因此，SRE 充当软件工程和 IT 运营之间的粘合剂。 SRE 经常描述他们的工作是创造性地填补空白，让人们开心，从开发人员到最终用户再到管理团队成员。当您可以理所当然地认为您的所有系统都以最高效率和可靠性运行时，您就知道您的 SRE 做得很好。

站点可靠性工程师通常与 IT 运营和软件开发团队协同工作。 SRE 团队帮助 IT 运营部门提高其生产系统的可靠性。最重要的是，SR 团队可能会帮助 IT、支持和开发团队减少花在支持票和升级上的时间，从而使他们能够专注、开发和推出新的和改进的功能和服务。

企业任务站点可靠性工程师主动创建和实施旨在促进 IT 运营和支持的软件和服务。这可以从监控功能到在生产过程中代码发生变化时发送通知。 SRE 团队通常从头开始使用自己开发的工具，因为这使他们能够有效地处理软件交付或事件管理中的问题。

还可以部署 SRE 团队来处理支持升级。然而，随着系统的成熟，它们变得可靠。这样一来，生产中的关键事件就会减少，从而转化为支持升级的次数也会减少。站点可靠性工程师在软件工程和 IT 运营方面积累了如此多的知识，以至于他们自己成为了强大的支持团队，帮助组织将问题转给合适的人。

由于涉及软件开发和 IT 的许多方面，站点可靠性工程师还参与了部落知识的文档编制。 SRE 团队还执行文档后工作，例如持续维护和运行手册，以保持知识的质量和完整性得到更新和完整。

站点可靠性工程师通常承担随叫随到的责任。鉴于他们接触过工程和 IT 的各个领域，SRE 团队不断协作以提高系统可靠性并优化随叫随到的流程。

大数据环境中的 SRE 最佳实践

没有完美的 SRE 策略。任何站点可靠性框架都需要不断完善，以确保满足运营需求。以下 SRE 原则和最佳实践将帮助大数据组织根据他们的要求执行和定制他们的 SRE 策略。

站点可靠性工程师与 DevOps 工程师与软件工程师

站点可靠性工程师是专注于开发的 IT 专业人员，他们致力于开发和实施解决可靠性、可用性和规模问题的解决方案。另一方面，DevOps 工程师是专注于解决开发管道问题的运维人员。虽然这两个职业之间存在分歧，但两组工程师都会定期跨越鸿沟，向对方提供他们的专业知识和意见，反之亦然。

站点可靠性工程师保持他们的服务运行并可供用户使用，DevOps 涵盖从端到端的产品生命周期，目标是基于敏捷技术使所有流程连续进行。在整个产品生命周期中提供连续性是加快上市时间和实施快速变更的关键。

虽然站点可靠性工程师和软件工程师的角色在一定程度上重叠，但这两个职业之间存在重大差异。软件工程师设计和编写软件解决方案。在大多数情况下，软件工程师会将部署成本以及应用程序更新和维护成本考虑在内。

SRE 不是对操作了解一两件事的开发人员，也不是编写代码的操作人员。对于您的开发团队来说，这是一门全新的独立学科。 SRE 带来了部署、配置管理、监控和指标方面的专业知识。 SRE 专注于提高应用程序性能，使开发人员能够专注于功能改进和 IT 运营，从而专注于管理基础设施。当 SRE 积极参与时，开发人员和 IT 运营人员可以自由地做他们最擅长的事情。

什么是 SRE 框架？

站点可靠性工程框架基于以下原则构建。

SRE 创建各种框架模块，作为为特定生产领域设计的解决方案的实施指南。 SRE 框架本质上指导工程师如何实现软件组件以及集成这些组件的规范方法。

SRE 框架在效率和一致性方面为工程师和开发人员提供了多种好处。一方面，它们使开发人员不必以特定于服务的临时方式查找、拼凑和配置各个组件。

这些框架为生产问题提供单一解决方案，可在各种服务中重复使用。框架用户使用通用的实施规则和最小的配置差异来执行他们的生产和其他流程。

Spark 大数据应用程序的另一个示例是调整以减少或消除数据倾斜。数据倾斜导致某些应用程序元素的工作时间超过它们应有的时间，而其他计算资源则闲置，未得到充分利用。 Spark 对数据倾斜高度敏感，对于高度分布式和瘫痪的应用程序，它可能具有很大的破坏性。

一旦对计算机系统进行了最佳调整，SRE 最终可能会说：“我们所有的应用程序都在无故障地运行，并且我们始终如一地满足 SLA。”为此，SRE 需要正确的可观察性工具来帮助他们确定内存利用率、数据倾斜和其他可能出现的问题。