DXuXOx.png
下载地址

链接: https://pan.baidu.com/s/1iM1VifM_fMdIJ9YA4RVu4w 提取码: 24r5

sre google运维解密 pdf电子图书目录介绍

前言 xxxi

序言 xxxv

第Ⅰ部分 概览

第1 章 介绍 2

系统管理员模式 2

Google 的解决之道:SRE 4

SRE 方法论 6

确保长期关注研发工作 6

在保障服务SLO 的前提下最大化迭代速度 7

监控系统 8

应急事件处理 8

变更管理 9

需求预测和容量规划 9

资源部署 10

效率与性能 10

小结 10

第2 章 Google 生产环境:SRE 视角 11

硬件 11

管理物理服务器的系统管理软件 13

管理物理服务器 13

存储 14

网络 15

其他系统软件 16

分布式锁服务 16

监控与警报系统 16

软件基础设施 17

研发环境 17

莎士比亚搜索:一个示范服务 18

用户请求的处理过程 18

任务和数据的组织方式 19

第Ⅱ部分 指导思想

第3 章 拥抱风险 23

管理风险 23

度量服务的风险 24

服务的风险容忍度 25

辨别消费者服务的风险容忍度 26

基础设施服务的风险容忍度 28

使用错误预算的目的 30

错误预算的构建过程 31

好处 32

第4 章 服务质量目标 34

服务质量术语 34

指标 34

目标 35

协议 36

指标在实践中的应用 37

运维人员和最终用户各关心什么 37

指标的收集 37

汇总 38

指标的标准化 39

目标在实践中的应用 39

目标的定义 40

目标的选择 40

控制手段 42

SLO 可以建立用户预期 42

协议在实践中的应用 43

第5 章 减少琐事 44

琐事的定义 44

为什么琐事越少越好 45

什么算作工程工作 46

琐事繁多是不是一定不好 47

小结 48

第6 章 分布式系统的监控 49

术语定义 49

为什么要监控 50

对监控系统设置合理预期 51

现象与原因 52

黑盒监控与白盒监控 53

4 个黄金指标 53

关于长尾问题 54

度量指标时采用合适的精度 55

简化,直到不能再简化 55

将上述理念整合起来 56

监控系统的长期维护 57

Bigtable SRE :警报过多的案例 57

gmail :可预知的、可脚本化的人工干预 58

长跑 59

小结 59

第7 章 Google 的自动化系统的演进 60

自动化的价值 60

一致性 60

平台性 61

修复速度更快 61

行动速度更快 62

节省时间 62

自动化对Google SRE 的价值 62

自动化的应用案例 63

Google SRE 的自动化使用案例 63

自动化分类的层次结构 64

让自己脱离工作:自动化所有的东西 66

舒缓疼痛:将自动化应用到集群上线中 67

使用Prodtest 检测不一致情况 68

幂等地解决不一致情况 69

专业化倾向 71

以服务为导向的集群上线流程 72

Borg :仓库规模计算机的诞生 73

可靠性是最基本的功能 74

建议 75

第8 章 发布工程 76

发布工程师的角色 76

发布工程哲学 77

自服务模型 77

追求速度 77

密闭性 77

强调策略和流程 78

持续构建与部署 78

构建 78

分支 79

测试 79

打包 79

Rapid 系统 80

部署 81

配置管理 81

小结 82

不仅仅只对Google 有用 83

一开始就进行发布工程 83

第9 章 简单化 85

系统的稳定性与灵活性 85

乏味是一种美德 86

我绝对不放弃我的代码 86

“负代码行”作为一个指标 87

最小 API 87

模块化 87

发布的简单化 88

小结 88

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

Borgmon 的起源 94

应用软件的监控埋点 95

监控指标的收集 96

时间序列数据的存储 97

标签与向量 98

Borg 规则计算 99

报警 104

监控系统的分片机制 105

黑盒监控 106

配置文件的维护 106

十年之后 108

第11 章 on-call 轮值 109

介绍 109

on-call 工程师的一天 110

on-call 工作平衡 111

数量上保持平衡 111

质量上保持平衡 111

补贴措施 112

安全感 112

避免运维压力过大 114

运维压力过大 114

奸诈的敌人—运维压力不够 115

小结 115

第12 章 有效的故障排查手段 116

理论 117

实践 119

故障报告 119

定位 119

检查 120

诊断 122

测试和修复 124

神奇的负面结果 125

治愈 126

案例分析 127

使故障排查更简单 130

小结 130

第13 章 紧急事件响应 131

当系统出现问题时怎么办 131

测试导致的紧急事故 132

细节 132

响应 132

事后总结 132

变更部署带来的紧急事故 133

细节 133

事故响应 134

事后总结 134

流程导致的严重事故 135

细节 135

灾难响应 136

事后总结 136

所有的问题都有解决方案 137

向过去学习,而不是重复它 138

为事故保留记录 138

提出那些大的,甚至不可能的问题:假如…… 138

鼓励主动测试 138

小结 138

第14 章 紧急事故管理 140

无流程管理的紧急事故 140

对这次无流程管理的事故的剖析 141

过于关注技术问题 141

沟通不畅 141

不请自来 142

紧急事故的流程管理要素 142

嵌套式职责分离 142

控制中心 143

实时事故状态文档 143

明确公开的职责交接 143

一次流程管理良好的事故 144

什么时候对外宣布事故 144

小结 145

……

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注

Captcha Code