如果用一個(gè)詞語來描述 Google 的歷史，那就是不斷地“擴(kuò)大規(guī)�！保╯caling up）。Google 的成長經(jīng)歷，是計(jì)算機(jī)行業(yè)中數(shù)一數(shù)二的成功故事，標(biāo)志著整個(gè)社會(huì)向 IT 為中心的商業(yè)模式的轉(zhuǎn)變。Google 很早就開始實(shí)踐 IT 與商業(yè)模式的結(jié)合，也是向社區(qū)推廣DevOps 理念的先行者。本書就是由來自公司各個(gè)部門，切身參與甚至主導(dǎo)了整個(gè)行業(yè)轉(zhuǎn)型實(shí)踐的人寫成的。
　　Google 是在一個(gè)系統(tǒng)運(yùn)維工程師行業(yè)轉(zhuǎn)型的階段發(fā)展壯大的。Google 的發(fā)展史就像是對(duì)傳統(tǒng)的系統(tǒng)運(yùn)維理念發(fā)出的革命宣言：我們無法按照傳統(tǒng)方式運(yùn)維Google 系統(tǒng)，必須要思考一種新的模式，但是同時(shí)我們也沒有時(shí)間等待其他人驗(yàn)證和支持我們的理論。在Principles of Network and System Administration（參見文獻(xiàn)[bur99]）一書的介紹中，我提出了一種觀點(diǎn)：系統(tǒng)運(yùn)維本質(zhì)上是人與計(jì)算機(jī)共同參與的一項(xiàng)系統(tǒng)性工程。當(dāng)時(shí)的一些評(píng)論者對(duì)這種觀點(diǎn)表示了強(qiáng)烈的反對(duì)：“這個(gè)行業(yè)還遠(yuǎn)遠(yuǎn)沒有成熟到可以稱為一項(xiàng)工程”。在那時(shí)，我甚至對(duì)整個(gè)運(yùn)維行業(yè)產(chǎn)生了懷疑，認(rèn)為這個(gè)行業(yè)在個(gè)人英雄主義與神秘色彩中已經(jīng)永久地迷失了自己，無法前進(jìn)。但是，這時(shí)Google 誕生了，Google 的高速發(fā)展將我的預(yù)言變成了現(xiàn)實(shí)。我之前的定義變成了一個(gè)具體的詞語：SRE，站點(diǎn)可靠性工程師。我的幾個(gè)朋友切身參與了這個(gè)新職業(yè)的創(chuàng)立，用軟件工程理念和自動(dòng)化工具定義了這個(gè)行業(yè)。一開始，他們顯得很神秘，Google 公司內(nèi)的體驗(yàn)和整個(gè)行業(yè)也格格不入，Google 太特殊了！ 隨著時(shí)間的推移，公司內(nèi)外交流逐漸增多。這本書的目標(biāo)就是將SRE 的一些思考和實(shí)踐帶給整個(gè)行業(yè)，以促進(jìn)交流。
　　在本書中，我們不僅僅展示了 Google 是如何建設(shè)維護(hù)其富有傳奇色彩的大型計(jì)算集群的。更重要的是，我們展示了在建設(shè)過程中，Google 工程師團(tuán)隊(duì)是如何學(xué)習(xí)、成長、反復(fù)修改，zui后定義出一套完整的工具和科技體系的過程。IT 行業(yè)大多自我封閉，交流過少，很多從業(yè)人員都或多或少地受教條主義的限制。如果Google 工程師團(tuán)隊(duì)能克服這個(gè)慣性，保持開放的精神，那么我們也能夠一起和他們面對(duì) IT 行業(yè)內(nèi)zui尖端的挑戰(zhàn)。
　　這本書由一群有共同目標(biāo)的 Google 工程師寫就的短文組成。本書的作者們聚集在同一個(gè)公司旗下，為了同一個(gè)目標(biāo)努力，本身就是一件很特別的事情。在本書的各個(gè)章節(jié)之間經(jīng)常能看到軟件系統(tǒng)的共同點(diǎn)，以及工作模式上的共通之處。我們經(jīng)�？梢詮亩鄠�(gè)角度分析不同的決策選擇，了解他們是如何一起解決公司內(nèi)部多種利益沖突的。這些文章并不是嚴(yán)謹(jǐn)?shù)膶W(xué)術(shù)研究論文，而是這些人的切身經(jīng)歷。雖然本書的作者們有著不同的工作目標(biāo)、寫作風(fēng)格，以及技術(shù)背景，但是他們都嘗試著去真誠地描述自己遇到的問題和解決的經(jīng)歷。這和 IT 行業(yè)內(nèi)的普遍文風(fēng)截然不同，風(fēng)格迥異。有些作者會(huì)宣稱：“不要做A，只有做B 才是正確的�！� 另一些作者會(huì)更謹(jǐn)慎，行文更富有哲學(xué)性。這其實(shí)恰恰代表了整個(gè) IT 行業(yè)內(nèi)不同個(gè)性融合的現(xiàn)狀。而我們作為讀者，作為觀察者，并不了解整個(gè)Google 的歷史，也沒有參與到具體的決策過程中，無法全面了解當(dāng)事人所面臨的糾纏不清的挑戰(zhàn)，只能帶著謙遜的態(tài)度遠(yuǎn)遠(yuǎn)旁觀。在閱讀本書的過程中，相信讀者一定會(huì)產(chǎn)生出許多疑問：“他們當(dāng)時(shí)為什么沒有選擇X ？”“ 如果他們選擇了Y，結(jié)果會(huì)是怎樣？”“ 如果多年之后回頭再看，這個(gè)選擇會(huì)是正確的嗎?” 這些問題，恰恰是閱讀本書的zui大收獲，因?yàn)槲覀兊?次有機(jī)會(huì)將自己的經(jīng)歷、選擇和本書陳列的決策邏輯相互對(duì)應(yīng)，從中發(fā)現(xiàn)不足和缺陷。
　　這本書的成書過程也堪稱奇跡。今天，我們能感受到整個(gè)行業(yè)都在鼓吹厚顏無恥的 “代碼拿來主義”（just show me the code）。開源軟件社區(qū)內(nèi)部正在形成一種“不要問我問題”的風(fēng)氣，過于強(qiáng)調(diào)平等卻忽略領(lǐng)域?qū)＜业囊庖姟�Google 是行業(yè)內(nèi)為數(shù)不多的，愿意投入精英力量鉆研本質(zhì)問題的公司，而且這些公司精英很多都有工學(xué)博士學(xué)位。工具永遠(yuǎn)只是解決方案中的一個(gè)小小組件，用來鏈接日益龐雜的軟件、人和海量的數(shù)據(jù)。這本書中沒有萬能藥，沒有什么東西能解決一切問題，但是這恰恰是本書的宗旨：相比zui后的軟件結(jié)果、架構(gòu)設(shè)計(jì)而言，真實(shí)的設(shè)計(jì)過程、作者本身的思考經(jīng)歷更有價(jià)值。實(shí)現(xiàn)細(xì)節(jié)永遠(yuǎn)只是短暫存在的，但是文檔化的設(shè)計(jì)過程卻是無價(jià)之寶。有機(jī)會(huì)了解到這些設(shè)計(jì)的內(nèi)幕真是太難得了！
　　這本書，歸根到底，記錄了 Google 這個(gè)公司的成長經(jīng)歷。書中的很多故事都是由相互重疊的故事組成的，這恰恰說明了擴(kuò)展一個(gè)計(jì)算機(jī)系統(tǒng)，要比簡單按照書本上的標(biāo)準(zhǔn)架構(gòu)放大困難得多。一個(gè)公司的成長，意味著整個(gè)公司商業(yè)模式和工作模式的擴(kuò)展，而不是簡單的資源擴(kuò)張。僅此一點(diǎn)，這本書就物超所值了。
　　自省，是一個(gè)在 IT 行業(yè)內(nèi)部并不流行的詞語。我們不斷重復(fù)發(fā)明各種系統(tǒng)。很多年以來，只有 USENIX LISA 大會(huì)論壇以及其他幾個(gè)專注于操作系統(tǒng)的會(huì)議會(huì)討論一些 IT 基礎(chǔ)設(shè)施的設(shè)計(jì)和實(shí)現(xiàn)。很多年后的今天，IT 行業(yè)已經(jīng)天翻地覆，但是本書仍然彌足珍貴：它詳細(xì)記錄了Google 邁過分水嶺時(shí)期的全過程。很顯然，這些經(jīng)歷沒有辦法完全復(fù)制，也許只能被模仿，但是卻可以啟發(fā)讀者，指引未來。本書作者們表現(xiàn)出了極大的真誠，顯示了謙遜的風(fēng)格，以及極強(qiáng)的凝聚力、領(lǐng)導(dǎo)力。這些文章記錄了作者們的希望、擔(dān)憂、成功與失敗的經(jīng)歷。我向這些作者們和編者們的勇氣致敬，正是這種坦率，讓我們能夠作為旁觀者和后來人，從前人的經(jīng)歷中學(xué)習(xí)到zui寶貴的知識(shí)。
　　Mark Burgess
　　In Search of Certainty 一書作者
　　Oslo，2016 年3 月
　　序言
　　軟件工程有的時(shí)候和養(yǎng)孩子類似：雖然生育的過程是痛苦和困難的，但是養(yǎng)育孩子成人的過程才是真正需要花費(fèi)絕大部分精力的地方。但是，傳統(tǒng)軟件工程專業(yè)花費(fèi)了很多精力討論軟件的開發(fā)過程，而不是其后的維護(hù)過程。有統(tǒng)計(jì)顯示， 一個(gè)軟件系統(tǒng)的40%~90% 的花銷其實(shí)是花在開發(fā)建設(shè)完成之后不斷維護(hù)過程中的。行業(yè)內(nèi)流行的一個(gè)說法是：一個(gè)系統(tǒng)如果已經(jīng)開發(fā)完成，部署在生產(chǎn)環(huán)境上，那么它就是 “穩(wěn)定的”，就不需要那么多工程師花費(fèi)精力去優(yōu)化、維護(hù)。我們認(rèn)為這個(gè)說法是錯(cuò)誤的。從這個(gè)視角出發(fā)，我們認(rèn)為如果軟件工程職業(yè)主要專注于設(shè)計(jì)和構(gòu)建軟件系統(tǒng)， 那么應(yīng)該有另外一種職業(yè)專注于整個(gè)軟件系統(tǒng)的生命周期管理。從其設(shè)計(jì)一直到部署，歷經(jīng)不斷改進(jìn)，zui后順利退役。這樣一種職業(yè)必須具備非常廣泛的技能，但是和其他職業(yè)的專注點(diǎn)都不同。Google 將這個(gè)職位稱為站點(diǎn)可靠性工程師（SRE，Site Reliability Engineering）。
　　那么，站點(diǎn)可靠性工程師究竟代表著什么呢？的確，這個(gè)詞語并不能夠特別清晰地描述這個(gè)職位的意義�；�本上每個(gè) Google SRE 都會(huì)被經(jīng)常問到這個(gè)職位到底代表什么意思，以及他們的日常工作究竟是什么。
　　將這個(gè)詞語展開來說：首先，也是zui重要的一點(diǎn)，SRE 是工程師（engineer）。SRE 使用計(jì)算機(jī)科學(xué)和軟件工程手段來設(shè)計(jì)和研發(fā)大型、分布式計(jì)算機(jī)軟件系統(tǒng)。有的時(shí)候，SRE 和產(chǎn)品研發(fā)團(tuán)隊(duì)共同工作，其他時(shí)候我們需要開發(fā)這些系統(tǒng)的額外組件：例如備份系統(tǒng)和負(fù)載均衡系統(tǒng)等。理想情況下，同時(shí)推進(jìn)這些組件在多個(gè)項(xiàng)目中復(fù)用。還有的時(shí)候，我們的任務(wù)是想出各種各樣的辦法用現(xiàn)有組件解決新的問題。
　　其次，SRE 的關(guān)注焦點(diǎn)在于可靠性。Ben Treynor Sloss，Google 負(fù)責(zé)7×24 運(yùn)維的副總裁，SRE 名稱的發(fā)明者，宣稱可靠性應(yīng)該是任何產(chǎn)品設(shè)計(jì)中zui基本的概念：任何一個(gè)系統(tǒng)如果沒有人能夠穩(wěn)定地使用，就沒有存在的意義。因?yàn)榭煽啃?是如此重要，因此SRE 專注于對(duì)其負(fù)責(zé)的軟件系統(tǒng)架構(gòu)設(shè)計(jì)、運(yùn)維流程的不斷優(yōu)化，讓這些大型軟件系統(tǒng)運(yùn)行得更可靠，擴(kuò)展性更好，能更有效地利用資源。但是，SRE 并不是無止境地追求完美：當(dāng)一個(gè)系統(tǒng)已經(jīng) “足夠可靠” 的時(shí)候，SRE 通常將精力轉(zhuǎn)而投入到研發(fā)新的功能和創(chuàng)造新的產(chǎn)品中。
　　zui后，SRE 的主要工作是運(yùn)維在分布式集群管理系統(tǒng)上運(yùn)行的具體業(yè)務(wù)服務(wù)（service）。不論是遍布全球的存儲(chǔ)服務(wù)，還是億萬用戶賴以工作的 E-mail 服務(wù)，還是 Google zui初的 Web 搜索服務(wù)。SRE 中的“ S” zui開始指代的就是google.com 的運(yùn)維服務(wù)，因?yàn)镾RE的第1個(gè)工作就是維持網(wǎng)站的正常運(yùn)轉(zhuǎn)。隨著時(shí)間的推移，SRE 逐漸接管了 Google 內(nèi)部絕大部分產(chǎn)品系統(tǒng)，包括 Google Cloud Platform 這類開發(fā)者平臺(tái)，也包括內(nèi)部的一些非網(wǎng)站類的基礎(chǔ)設(shè)施系統(tǒng)，例如 Bigtable。
　　雖然我們在這里將 SRE 的職位定義得比較寬泛，但是在這樣一個(gè)互聯(lián)網(wǎng)業(yè)務(wù)高速發(fā)展的時(shí)代，這個(gè)職位的出現(xiàn)毫不奇怪。同樣，雖然在應(yīng)用系統(tǒng)運(yùn)營維護(hù)的過程中有數(shù)不清的重要環(huán)節(jié)需要關(guān)注，我們zui關(guān)注的是“可靠性”這一點(diǎn)也不奇怪。在Web 服務(wù)領(lǐng)域里，對(duì)服務(wù)器端軟件的優(yōu)化和修改是相對(duì)可控的，變更管理與生產(chǎn)安全又結(jié)合得非常緊密，一種類似于 SRE 的職業(yè)早晚會(huì)在這個(gè)環(huán)境下誕生。
　　雖然 SRE 這個(gè)行業(yè)是在 Google 內(nèi)部，從Web 社區(qū)中誕生的，但我們認(rèn)為這個(gè)職業(yè)對(duì)其他團(tuán)隊(duì)和組織也有很多值得借鑒的地方。本書是對(duì)闡述SRE 發(fā)展過程的一次嘗試：我們既希望將這些寶貴經(jīng)驗(yàn)共享給其他相關(guān)行業(yè)，也希望能從其他行業(yè)中汲取知識(shí)，從而更好地定義各種角色和術(shù)語。為了這個(gè)目的，本書將通用的理論、設(shè)計(jì)理念和思想，與實(shí)際的應(yīng)用工具介紹等分開。在某些需要結(jié)合Google 內(nèi)部信息討論主題的時(shí)候，我們相信讀者可以進(jìn)行類比，將書中的理念與自己的實(shí)際環(huán)境相結(jié)合，以便得出更為有效的結(jié)論。本書中也包含了一些對(duì) Google 內(nèi)部生產(chǎn)環(huán)境的介紹，將 Google 內(nèi)部環(huán)境與外部常見的開源類軟件相對(duì)應(yīng)。這樣可以讓本書的一些設(shè)計(jì)理念與實(shí)踐的結(jié)合度更強(qiáng)，應(yīng)用起來更容易。
　　zui后，我們當(dāng)然希望社區(qū)內(nèi)出現(xiàn)更多、更可靠的軟件系統(tǒng)。我們知道，創(chuàng)業(yè)企業(yè)甚至中型企業(yè)經(jīng)常對(duì)如何應(yīng)用這些理念和技術(shù)感到困惑。可靠性就像安全性，越早關(guān)注越好。這就意味著一些小型創(chuàng)業(yè)公司，在應(yīng)付日常面臨的種種挑戰(zhàn)時(shí)，也應(yīng)該抽出一部分精力來面對(duì)可靠性這個(gè)話題。這與蓋房子有些類似，如果一開始將整個(gè)地基打好并保持繼續(xù)修繕，要比蓋好房子之后再重新修改設(shè)計(jì)要容易得多。本書第4 部分著重介紹了 SRE 團(tuán)隊(duì)如何進(jìn)行內(nèi)部培訓(xùn)、如何加強(qiáng)內(nèi)部溝通等zui佳實(shí)踐，很多都可以直接拿來應(yīng)用。
　　對(duì)中型企業(yè)來說，企業(yè)內(nèi)部可能已經(jīng)有這樣的一組人在做著與SRE 非常類似的工作。這些人可能并不叫 SRE 這個(gè)名字，甚至可能沒有受到管理層的重視。在這樣的企業(yè)中，提高可靠性zui好的辦法往往就是去認(rèn)可這些人的工作，并配備足夠的激勵(lì)機(jī)制。在牛頓被世界正式認(rèn)可為物理學(xué)家之前，他經(jīng)常被稱作是zui后的煉金術(shù)師。而這些專注于可靠性的工程師們，正如當(dāng)年的牛頓一樣，是一個(gè)新時(shí)代的開拓者。
　　如果一定要為SRE 尋找一個(gè)起源的話，誰才能夠被稱為世界上第1個(gè)SRE 呢？我們選擇了 Margaret Hamilton，MIT 教授，參與了阿波羅登月計(jì)劃的軟件開發(fā)工作。她的工作具有現(xiàn)代SRE 的一切特性。用她自己的話來講：“團(tuán)隊(duì)文化就是從一切經(jīng)歷中不斷學(xué)習(xí)，包括來自那些我們zui意想不到的地方的經(jīng)歷。”
　　在Apollo 7 飛船研發(fā)期間的某一天，Margaret 帶著她的小女兒 Lauren 一起來到公司。在 Margaret 忙著和組員們在大型計(jì)算機(jī)上運(yùn)行飛行模擬測試的時(shí)候，她的小女兒偷偷地按下了控制臺(tái)上的 DSKY 鍵。整個(gè)模擬程序出乎意料地崩潰了，導(dǎo)致整個(gè)火箭發(fā)射程序意外終止。Margaret 和組員調(diào)試后發(fā)現(xiàn)，原來Lauren 意外觸發(fā)了 P01 這段子程序的執(zhí)行，導(dǎo)致了整個(gè)模擬過程的失敗。（該子程序是起飛前調(diào)試程序，執(zhí)行時(shí)會(huì)刪除現(xiàn)存的導(dǎo)航信息，如果在火箭飛行過程中執(zhí)行這段程序，計(jì)算機(jī)將無法繼續(xù)維持火箭航線，后果將是災(zāi)難性的。）
　　憑借著 SRE 的直覺， Margaret 為項(xiàng)目組提交了一個(gè)軟件改動(dòng)，申請?jiān)陲w行程序中增加一項(xiàng)特殊狀態(tài)檢查，以避免飛行員在飛行過程中意外觸發(fā)P01 程序的執(zhí)行。但不幸的是，NASA 管理層認(rèn)為，這項(xiàng)錯(cuò)誤發(fā)生的可能性太小，根本不值得為此添加這項(xiàng)修改。于是Margaret 沒有能夠成功提交這項(xiàng)軟件修改。她只能在火箭飛行手冊中添加了一段文字，寫道：“在飛行過程中，請勿觸發(fā)P01 程序。” （當(dāng)時(shí)增加這段文字時(shí)，很多NASA 工程師都認(rèn)為這很好笑，認(rèn)為Margaret 是小題大做，幾乎所有人都認(rèn)為宇航員經(jīng)過如此長時(shí)間的專業(yè)訓(xùn)練，是絕對(duì)不會(huì)犯如此低級(jí)的錯(cuò)誤的。）
　　幾天后，在Apollo 8 飛船執(zhí)行下一項(xiàng)飛行任務(wù)時(shí)。宇航員 Jim Lovell、William Anders和Frank Borman 三人執(zhí)行一個(gè)長達(dá)四天的飛行計(jì)劃途中，Jim Lovell 意外地觸發(fā)了 P01程序的執(zhí)行。更巧的是，當(dāng)天正好是美國圣誕節(jié)，大部分工程師都休假去了�？上攵�知，當(dāng)時(shí)NASA 的一片混亂狀態(tài)。這次不是演習(xí)，而是人命關(guān)天的危急時(shí)刻，如果不能及時(shí)解決，三名宇航員將永遠(yuǎn)無法安全返回了。所幸，當(dāng)時(shí) Margaret 的飛行手冊更新中恰恰提到了這種情形，并且提供了重新上傳數(shù)據(jù)以及恢復(fù)執(zhí)行的有效辦法，在有限的時(shí)間內(nèi)解決了問題，使任務(wù)可以繼續(xù)進(jìn)行。
　　Margaret 曾經(jīng)說過：“無論對(duì)一個(gè)軟件系統(tǒng)運(yùn)行原理掌握得多么徹底，也不能阻止人犯意外錯(cuò)誤。” 在這次危機(jī)過后，Margaret 之前提交的修改申請很快就被批準(zhǔn)了。
　　雖然Apollo 8 的事故發(fā)生在幾十年前，但是工程師們一定不會(huì)對(duì)此感到陌生， 類似的場景總是在不斷重演。希望讀者以史為鑒，只有靠著對(duì)細(xì)節(jié)的不懈關(guān)注，做好充足的災(zāi)難預(yù)案和準(zhǔn)備工作，時(shí)刻警惕著，不放過一切機(jī)會(huì)去避免災(zāi)難發(fā)生。這就是SRE zui重要的理念！歡迎加入SRE 的大家庭！
　　如何閱讀本書
　　這本書是由一系列短文組成的， 由Google SRE 成員和前成員共同寫就。相比之下，這本書更像是一本會(huì)議文集。本書的每一章都可以作為一個(gè)獨(dú)立部分進(jìn)行閱讀，但是讀者也可以根據(jù)自己的興趣選擇某些章節(jié)重點(diǎn)閱讀。（如果本書中引用了某些額外文章，你可以在參考文獻(xiàn)中找到。）
　　讀者可以按照任何順序閱讀本書，但是我們推薦從第2 章和第3 章開始。這兩章描述了Google 的生產(chǎn)運(yùn)行環(huán)境，以及SRE 是如何系統(tǒng)化認(rèn)知與量化“風(fēng)險(xiǎn)”的（畢竟 “風(fēng)險(xiǎn)” 是SRE zui關(guān)注的要點(diǎn)）。讀者當(dāng)然也可以選擇逐章閱讀，本書邏輯上分為以下幾個(gè)部分：理念性介紹（第Ⅱ部分）、zui佳實(shí)踐（第Ⅲ部分）和管理經(jīng)驗(yàn)（第Ⅳ部分）。每一部分都配有簡介，并且配有SRE 成員以前發(fā)表的文章的引用地址。
　　最后，本書配有網(wǎng)站https://g.co/SREBook，其中包括了一些有益讀物， 希望讀者能從中獲得閱讀的樂趣。
　　……