从工程文化和运维理念理解Netflix

在技术圈儿，Netflix 是一家非常有特色的互联网公司。他们信奉“自由与责任”的企业文化，鼓励工程师发挥自己的爱好与特长；特别开放，很多内部系统都开源了；所有业务都运行在云上，随之而来，有很多自己的工具，特色的运维文化。

\\

在明年 4 月 20～22 日的 QCon 北京 2018 上，我们有幸邀请到 Netflix 工程总监 Katharina Probst，她将分享 Netflix 的工程文化以及运维方面的理念和经验。

\\

InfoQ 曾有文章介绍 Netflix 的企业文化（技术漫谈：为什么Netflix的企业文化会备受整个硅谷的推崇？），而这次，Katharina 将现场分享《工程文化：挖掘工程师的最大价值》。

\\

丹尼尔·平克的《驱动力》一书，指出了如何提高绩效、焕发热情的三大要素：自主（Autonomy）、专精（Mastery）和目的（Purpose）。本次演讲也将从这三个方面出发，探讨如何让工程师发掘出自己的最大潜能。

\\

• 自主：设定良好的环境，但是不控制目标的日常执行。\\t
• 专精：为每个人提供锻炼技能的条件，并对成长提供反馈。\\t
• 目的：将工程师连接起来，为公司的使命而奋斗。\

Katharina 还曾撰文介绍 Netflix 背后独特的运维理念。

\\

在Netflix，“自由与责任”的价值观体现的淋漓尽致。一方面，工程团队可以自由地向产品添加功能和服务，不需要审批和繁琐的程序。另一方面，作为产品的所有者，要负责服务的运维和支持。

\\

优势当然是各团队可以灵活快速地实现新功能。当然，有利就有弊，整个系统的规模也随之爆炸性增长，没有人能记着所有系统的所有变更。

\\

这种情况下，Netflix 是如何保证其服务的高可用性和用户体验的呢？秘密就在于 Netflix 的 CORE SRE 团队。

\\

SRE 是指 Site Reliability Engineer (网站可靠性工程师)。这个概念大家应该并不陌生。

\\

CORE 是几个单词的首字母缩写：Cloud（云）、Operations（运维）、Reliability（可靠性）、Engineering（工程）。一语双关，既可以看成“云运维可靠性工程”，也可以看成“核心”。

\\

这个团队非常小，不到 10 个人。虽然人少，但是都是骨干人才。可以把这个团队看作 Netflix 服务的中枢神经系统。这个团队是干什么的呢？

\\

他们要尽可能多的从整体上把握 Netflix 的系统，进而让系统更好、更可靠。具体而言，其工作是：

\\

1. 理解事故（incident）；\\t
2. 发现事故和健康运维状况下的模式；\\t
3. 将模式转变成工具和最佳实践，防患于未然。\

理解事故

\\

事故发生时，SRE 往往是第一响应人。这个人要定位问题，深入了解事故，确定严重等级，看看应该找谁来解决问题。要找的人可能是服务的所有者，或者外部合作伙伴（比如设备供应商）。

\\

CORE SRE 团队要根据自己对整个系统的理解，决定在既定情况下，采用哪种缓解策略最好，比如把流量切到其他区域。

\\

发现事故和健康运维状况下的模式

\\

事故解决后，SRE 的工作才算真正开始。下一步是仔细研究事故，提很多问题。比如： 
\• 事故是什么原因导致的？ 
\• 我们之前怎么做，能够避免这次事故？ 
\• 是不是有某个最佳实践并没有遵守？ 
\• 是不是团队遵守了某个最佳实践，但是没起到预期效果？ 
\• 团队应该怎么做，以避免再次发生类似事故？ 
\• 在事故发生时，我们掌握了哪些信息，能让我们更快地理解事故原因？ 
\• 有什么工具可以帮我们降低事故严重性和持续时间？ 
\• 这种问题之前发生过吗？有没有什么模式？ 
\• 卷入事故的团队，是不是犯了更多主动失误？发生了什么？

\\

除了提问分析，还要分析事故数据，发现模式。

\\

将模式转变成工具和最佳实践，防患于未然

\\

让 Core SRE 团队和关键工程团队配合工作，一方面 SRE 团队可以更好地理解痛点，一方面也可以传达最佳实践等理念。

\\

工具建设，收集各方面指标，这个就不一一具体介绍了。

\\

在现场，Katharina 将为我们具体阐述背后的各种理念和做法。

\\

2018QCon全球软件开发大会北京站目前正在8折报名中，感兴趣的不要错过。有任何问题可咨询购票经理Hanna，电话：15110019061，微信：qcon-0410。