SRE Google运维解密_读书笔记1

1. 监控的4个黄金指标：错误、延迟、流量、饱和度（容量）。
2. SLO服务水平目标，健康度检测使用
3. 运维平台：

1. 关于应急管理时，有没有考虑过通过一键触发的方式，将当前紧急情况通过内部通讯工具、邮件、短信等渠道触达到系统相关人。这样可以实时看到当前系统处理情况，调配各种资源协助，根据故障情况决定是否升级保障，记录整个应急处理各时间点的过程，也便于编写事后总结报告。当前应急处理时大家忙于处理问题，内部通讯工具里的信息不能及时反映当前状态，缺少有序管理的机制。
2. 主备岗交接机制，借助自动化服务平台，将升级流程固化，降低学习成本。
3. 以系统为维度，将相关机器管理起来，管理主备岗运维操作机的登录权限。

1. 研发参与on-call
   1. 研发人员也参与运维on-call值班，或者出现业务设计不合理引发的bug,需要运维人员每日大量的手工处理，提高业务需求开发响应速度。
   2. 运维开发人员也参与运维on-call值班，可以发现运维的痛点，提高运维需求的响应速度。
2. 生产问题Jira工单：
3. 通过Jira记录生产问题，通过5Y(what何事？why为什么？when何时？where何地？who关系谁？)分析问题原因，跟踪问题解决进展。
4. 事故报告，做的好的地方，不好的地方，从中学到了什么？
5. 通过一个wiki生产问题自定义流程，过滤出Jira