SRE（站点可靠性工程）是 Google 于 2003 年创立的一套工程实践，核心思想是”用写软件的方式做运维”——当运维问题反复出现时，应该写代码自动化解决它，而不是靠人肉重复操作。
核心概念
- SLO（Service Level Objective）：服务级别目标，如”99.9% 的请求在 200ms 内响应”。SLO 是 SRE 决策的锚点
- 错误预算（Error Budget）：100% 减去 SLO 得到的”允许出错的空间”。预算充足时可以加速发版，耗尽时冻结变更专注稳定性
- Toil（琐事）：手动的、重复的、可自动化的运维工作。SRE 的目标是将 toil 控制在 50% 以下，剩余时间用于工程化改进
- On-call：值班轮换制度，但通过自动化和 runbook 减少人为干预
与 DevOps 的关系
如果 DevOps 是”开发和运维应该协作”这一理念，SRE 就是”具体怎么做”的一种回答。SRE 团队通常同时具备开发和运维能力，用 SLO/错误预算等量化工具将”可靠性”从主观感受变成可度量的工程指标。
延伸
- Playbook / Runbook：预定义的故障处理步骤手册，SRE 实践中的标准产物
- Postmortem（事后复盘）：无责复盘文化，关注系统改进而非追责