大型软件系统生命周期的绝大部分都处于“使用”阶段,而非“设计”或“实现”阶段。那么为什么我们却总是认为软件工程应该首要关注设计和实现呢?在《SRE:Google运维解密》中,Google SRE的关键成员解释了他们是如何对软件进行生命周期的整体性关注的,以及为什么这样做能够帮助Google成功地构建、部署、监控和运维世界上现存最大的软件系统。通过阅读《SRE:Google运维解密》,读者可以学习
Google工程师在提高系统部署规模、改进可靠性和资源利用效率方面的指导思想与具体实践——这些都是可以立即直接应用的宝贵经验。
任何一个想要创建、扩展大规模集成系统的人都应该阅读《SRE:Google运维解密》。《SRE:Google运维解密》针对如何构建一个可长期维护的系统提供了非常宝贵的实践经验。
目录
- 第Ⅰ部分 概览
- 第1 章 介绍 2
- 第2 章 Google 生产环境:SRE 视角 11
- 第Ⅱ部分 指导思想
- 第3 章 拥抱风险 23
- 第4 章 服务质量目标 34
- 第5 章 减少琐事 44
- 第6 章 分布式系统的监控 49
- 第7 章 Google 的自动化系统的演进 60
- 第8 章 发布工程 76
- 第9 章 简单化 85
- 第Ⅲ部分 具体实践
- 第10 章 基于时间序列数据进行有效报警 93
- 第11 章 on-call 轮值 109
- 第12 章 有效的故障排查手段 116
- 第13 章 紧急事件响应 131
- 第14 章 紧急事故管理 140
- 第15 章 事后总结:从失败中学习 146
- 第16 章 跟踪故障 152
- 第17 章 测试可靠性 157
- 第18 章 SRE 部门中的软件工程实践 176
- 第19 章 前端服务器的负载均衡 191
- 第20 章 数据中心内部的负载均衡系统 197
- 第21 章 应对过载 212
- 第22 章 处理连锁故障 223
- 第23 章 管理关键状态:利用分布式共识来提高可靠性 246
- 第24 章 分布式周期性任务系统 273
- 第25 章 数据处理流水线 284
- 第26 章 数据完整性:读写一致 295
- 第27 章 可靠地进行产品的大规模发布 322
- 第Ⅳ部分 管理
- 第28 章 迅速培养SRE 加入on-call 341
- 第29 章 处理中断性任务 355
- 第30 章 通过嵌入SRE 的方式帮助团队从运维过载中恢复 363
- 第31 章 SRE 与其他团队的沟通与协作 370
- 第32 章 SRE 参与模式的演进历程 383
- 第Ⅴ部分 结束语
- 第33 章 其他行业的实践经验 398
- 第34 章 结语 408