每个公司大概都有一个“稳定性保障一号位”，在不断翻车中持续进击。
当技术手段不足以提供确定性解法的时候，一般就需要祭出“压实主体责任”这最后的一招了，充分调动每个人在组织中的能动性，以达成目标。而设置“一号位”通常是压实主体责任的第一环。
在 IT 领域，稳定性保障一直属于最不具备“确定性解法”的 topic，防不胜防，大家的解法也是五花八门，你有你的张良计，我有我的过墙梯。奈何常在河边走，哪能不湿鞋。打脸来的太快，这怕是对负责稳定性保障的技术人心态的最好写照了。
此外，稳定性保障工作，低频、高危。平时不显山露水，但是一旦发生大故障，一号位首当其冲，如果功夫没有做在平时，那就是被架在火上烤，在接下来的稳定性整改运动中，基本可以引咎辞职了。
稳定性 case 的影响可大可小，对应的责任也可大可小，取决于：
- 承载的业务的重要性
- 故障时刻的损失程度
- 舆论的传播面
- 品牌的影响度
- 法律法规和监管的要求
- 公司管理制度的要求
因此，随着以上几个因素的不断变化，公司在某个阶段，对稳定性保障提出更高的要求，对一号位的要求也会有不同。但总体而言，一号位的职责总结如下。
稳定性一号位的职责是什么
1. 承担责任
也俗称“背锅”，稳定性既然是技术领域的重要工作，对业务产生着重大影响，那么结果不符合预期，一号位需要承担责任，这是完全说得通的，有压力才有动力。但承担责任不是目的，核心还是通过一号位的机制，将整个稳定性保障工作体系化的规划起来。
2. 制定合理的目标并确保目标可被分解和量化，让所有人参与进来
目标是否合理，体现在两个方面，一是稳定性目标是否和业务效果紧密挂钩，IT 系统是否稳定，是由其承载的业务是否正常来决定的，唯有如此，才能真正体现IT系统赋能业务支撑业务的本质价值，避免自嗨式目标、听不懂的目标；二是系统的稳定性，够用就好，目标过高，投入产出不成正比，要知道目标过高，每前进一小步，所花费的人力物力时间成本，会呈数量级放大。
目标设置不合理，首先是对自己的业务、IT 现状认识不全面，没有深入去思考，其次是盲目攀比，听闻坊间传说几个9，就随手拍脑袋，比他再高一个点！关于稳定性目标，可以延伸阅读《服务稳定性保障的五大误解》。
承担责任，也是一个技术活，要讲究方式方法，不是死扛硬抗，个人英雄主义。制定了目标，要有机制拆解到 IT 系统的各个技术参与方并且清晰的量化，确保参与方都能使上劲。具体可以参考《SLO新解，一种行之有效的故障处理方法》。
3、确定预算
撇开成本谈保障工作，属于无源之水无本之木。稳定性保障一号位，在定好目标之后，接下来就是要确定和锁定预算。预算不单纯指直接负责稳定性保障任务的 headcount，也包括公司对于资源使用率要求、架构升级专项任务的预算、行业先进工具引入的费用预算、业务研发团队在稳定性工作上的参与度等等。
在一个大的组织，在年度预算开启前，确定好上面这些工作，是非常有挑战和考验稳定性保障一号位的综合能力。
4、建立技术保障体系
实际上是通过建立工具体系，做好两个事情：
- 不断提高稳定性保障的“确定性”：
提高确定性的过程，就是不断兑现承诺、提升信心的过程，比如稳定性保障团队是否能在业务和用户感知之前发现问题，是否能给出故障解决的预期时间，能快速准确的评估故障的影响面，有行之有效的故障止损预案等。
- 不断降低稳定性保障工作的“门槛”：
要承认，现阶段处理故障，对工程师的经验要求太高了，既要有扎实的 troubleshooting 的能力，有强大的抗压能力，对各种工具平台熟练使用，还要对整体系统的架构、细节都非常熟悉，这就决定了这样富有经验的工程师总是很稀缺，难以批量培养，甚至于一旦离职或者转岗，容易出现青黄不接的现象。那么能不能把这些经验形成方法论，沉淀到工具中，形成套路，降低门槛就显得至关重要。
当然，随着微服务和云原生架构的更多采用，带来敏捷和高效的同时，使得整个IT系统的复杂度成数量级的上升，这与我们所追求的“确定性”、“低门槛”背道而驰。
- 系统越来越复杂，以至于无法清晰的定义什么是真的故障，无法定义，那就更谈不上准确、及时的发现故障了，稳定性保障工作，直接输在了起跑线；
- 数据量越来越大，信息过载的问题变得格外突出，技术团队在有限的时间里，无法有效、准确的提取关键信息，导致贻误战机，造成巨大的业务损失；
- 稳定性保障，在整个行业范围，缺乏有效的方法论沉淀和产品化抽象，导致故障处理的各个环节，高度依赖工程师个体的经验，不具备复制性，难以持续改进，俗话讲，缺乏套路，门槛太高；
所以，如何通过技术手段，结合数据、流程，形成一套行之有效的稳定性保障打法，应对上面的挑战，所有的一号位共勉。
十年前，我从毕业到百度、小米、滴滴，从保障一个服务、到保障一个业务、再到保障全平台，scope 在变化，但是职责未变、初心未改。直到今天创立快猫星云，仍然是希望通过打造最好的Flashcat平台，为整个行业做出力所能及的贡献。
如果你有观点和解法，欢迎添加我的微信 laiweivic 探讨交流。
关于快猫星云
快猫星云，一家云原生智能运维科技公司，秉承着让监控分析变简单的初心和使命，致力于打造先进的云原生监控分析平台，结合人工智能技术，提升云原生时代数字化服务的稳定性保障能力。
快猫星云团队是开源项目夜莺监控的主要贡献者、项目管理委员会核心成员。夜莺监控是一款开源云原生监控分析系统，采用 All-In-One 的设计，集数据采集、可视化、监控告警、数据分析于一体，与云原生生态紧密集成，提供开箱即用的企业级监控分析和告警能力，已有众多企业选择将 Prometheus + AlertManager + Grafana 的组合方案升级为使用夜莺监控。
夜莺监控，由滴滴开发和开源，并于 2022 年 5 月 11 日，捐赠予中国计算机学会开源发展委员会（CCF ODC），为 CCF ODC 成立后接受捐赠的第一个开源项目。
快猫星云产品介绍
- 一分钟视频介绍： https://flashcat.cloud/videos/flashcat.mp4
- Flashcat平台PPT： https://sourl.cn/G5iZCT
- Flashcat官网：https://flashcat.cloud
- 在线体验demo： http://demo.flashcat.cloud