谷歌SRE运维（学习翻译）-第一章

序

软件工程和有小孩有着共同之处：出生前非常痛苦和困难，但是出生后，你却花费了最多的努力。尽快一个系统诞生后耗费了40%-90%的代价，但是相反，软件工程作为一门学科，花费了更多的时间在讨论软件的诞生，而不是后者。流行的工业模型认为：部署、操作软件通常在生产环境是稳定的，因为软件工程师不需要太多关注，这个观点是错的。通过这个视角，我们可以看到，如果软件工程倾向于关注设计和构建软件系统，那么必须有另一个学科关注在整个软件的生命周期：从最开始，到部署再到运营，改进，然后最终平稳下线。这个学科使用，并且需要使用：一个拥有广泛技能，关注点和其他类型工程师不同的人。今天，我们的答案是，这个学科谷歌称之为SRE(Site Reliability Engineering).

那么SRE到底是什么呢？我们承认这个名字没有清晰的表达SRE应该做什么–几乎每一个谷歌的SRE经常都会问，SRE到底是什么，到底他们需要做什么。

稍微打开这个数据，最开始，SREs就是工程师们。我们应用计算机科学和工程的原则去设计和开发计算系统：通常是大型分布式系统。有时，我们的任务是编写这些系统的软件和产品开发人员一起，有时候，我们的任务是构建系统需要的额外部分，例如备份或者负载均衡，理想情况下，这些部分可以在多个系统间重用。有时，我们的任务就是找出面对新问题，如何应用已有的解决方案。

然后，我们关注系统可靠性。Ben Treynor Sloss，谷歌关于24/7运维的VPN，SRE术语的创始人，声称可靠性是任何产品最基础的特性：如果没人能用一个系统，那么这个系统注定是无用的。因为可靠性如此重要，SRE关注于如果找到合适的方式去改进系统的设计和运维，从而保证系统更加的可扩展、稳定、高效。然而，我们在这个方向努力只有一点：当系统足够可靠时，我们将精力转而投入到增加新特性或者构建新产品上来。

最后，SRES 关注运行在分布式计算系统上的服务，不论这些服务是用于海量存储、为成千上万用户提供Email、还是谷歌最开始的服务，Web搜索引擎。Site在SRE中的含义，原始是引用SRE的主要角色是保证谷歌website持续运行，尽快当前我们有更多的服务，其中很多并不是webiste，例如从内部基础设施（Bigtable)到提供给外部开发者的产品(谷歌云平台)。