监控的4个黄金指标 《SRE：Google运维解密》中提出，监控系统的四个黄金指标是：延迟（Latency）、流量（Traffic）、错误（Errors）、饱和度（Saturation）。 延迟：服务处理某个请求所需要的时间。在微服务中通常提倡快速失败，服务不要憋着，这些延迟请求要尽快反馈给开发人员分析，这些缓慢的错误会消耗系统性能，所以需要对这些错误延迟进行长期跟踪处理。 流量：当前系统的数据流入流出的数据统计，用来衡量服务的承载能力，不同系统的流量有不同的含义，比如对web服务来说，流量指每秒的HTTP请求数。 错误：当前系统发生错误请求的数量，一般单纯看数量不太直观，经常会对错误进行计...

为了量化客户对服务可靠性的期望，找到客户对可靠性满意的点，我们需要制定针对用户的服务质量目标，并且努力去达到这个质量目标。在这个过程中，我们需要定义一些服务质量指标（SLI）、服务质量目标（SLO），以及服务质量协议（SLA）。这三项分别是指该服务最重要的一些基础指标、这些指标的预期值，以及当指标不符合预期时的应对计划。 一、服务质量术语：SLI、SLO、SLA 指标 服务质量指标（SLI）：服务的某项服务质量的一个具体量化指标。常见的SLI包括请求延迟（处理请求所消耗的时）、错误率（请求处理失败的百分比）、系统吞吐量（每秒请求数量）、可用性（服务可用时间的百分比，运维行业经常用9的数量来描述...

我们先回顾一下SRE的定义：SRE就是用软件工程的思维和方法论，通过设计、构建自动化工具完成以前由运维工程师手动操作的任务。所以，SRE要把更多的时间花费在长期项目研发上而非日常运维中的琐事。 一、什么是琐事 琐事就是运维服务中手动性的，重复性的，可以被自动化的，战术性的，没有持久价值的工作。而且，琐事与服务呈线性关系的增长。琐事具有以下特点： 手动性：例如收到磁盘目录满告警，运维人员手动清理日志。 重复性：如果某件事是第一次做，甚至第二次做，都不算琐事。琐事就是不停反复做的工作，如果你正在解决一个新出现的问题或者寻求一种新的解决办法，不算琐事。清理磁盘目录不太可能是一次性的，因此我们需要反复...

故障复盘的重要性无需多说，每一次故障都是宝贵的学习机会，本人接手故障复盘工作已经半年有余，从一开始的手足无措，慢慢变得游刃有余。以下内容为本人从网上查阅学习多个专家经验，并结合工作经历总结而来，仅供参考。 一、故障复盘目的 通过复盘总结教训，找到根因，从根本上进行优化和改进，后期工作中规避问题再发生。 有策略的、系统性的去组织复盘踩过的坑，还原事实，找到薄弱点加以改进。 最终目的是鼓励做事，而不是处罚失败。 二、故障复盘原则 鼓励做事和质量改进，反对推诿扯皮不作为；鼓励公开透明，反对掩盖问题；鼓励整体的系统思考和团队协同，反对把问题推给个人。 明确宗旨，拒绝甩锅：故障复盘的目的是为了找...

API安全的重要性 近几年，越来越多的企业开始数字化转型之路。数字化转型的核心是将企业的服务、资产和能力打包成服务（服务的形式通常为API，API又称接口，下文中提到的API和接口意思相同），从而让资源之间形成更强的连接和互动关系，释放原有资产的价值，提升企业的服务能力。企业数字化转型使得基于API的业务系统剧增，随之而来带来的安全问题也日渐凸显。 API安全事件频发，技术能力领先的头部企业也屡遭数据泄露。2020年3月19日，有用户在暗网上发现微博的5.38亿用户信息在暗网出售，其中1.72亿条有账户基本信息，原因就是来自于终端APP的业务逻辑API被非法流量调用超过40亿次而导致。 AP...