前言 | 網站可靠性工程｜Google 的系統管理之道

推薦序：從系統管理到 SRE#

Google 的故事是一個關於規模化（scaling）的故事，也是計算工業中最具標誌性的成功案例之一。它代表 IT 文化從輔助角色轉為事業核心的轉折點。Google 是最早把「商業與 IT 對齊」具體實踐出來的公司之一，並進一步啟發了更廣泛的 DevOps 思潮。

當 Google 高速成長時，傳統系統管理員（system administrator）的角色正在被重新定義：

推薦序作者馬克・伯吉斯（Mark Burgess）認為，這本書最珍貴的並非任何具體的程式碼或設計，而是 Google 公開了背後的「推理過程」——實作會過時，但推理永遠有價值。

軟體工程（software engineering）與養育孩子有一點很相似：誕生前的孕育辛苦而困難，但誕生之後才是真正花費大量心力的階段。然而軟體工程作為一門學科，反而花更多時間談論「誕生前」的部分；事實上，一個系統的總成本有 40–90% 是在交付之後才產生的。

把已部署的軟體視為「已穩定、不再需要工程師關注」是一種錯誤的產業觀念。

因此必須有另一個學科，專注於軟體物件的完整生命週期：從構思、部署、運維、改良，到最終的退役。Google 把這個學科稱為「網站可靠性工程（Site Reliability Engineering, SRE）」。

工程師（Engineer）：把電腦科學與工程的原則應用於大型分散式系統的設計與開發
可靠性（Reliability）：可靠性是任何產品最基本的特性——沒人能用的系統毫無價值
- SRE 努力提升可靠性，但達到「夠可靠」之後，就把心力轉投到新功能或新產品上
服務（Service）：SRE 負責的是建在分散式基礎建設之上的服務，從全球儲存到信件、搜尋等

SRE 與業界俗稱的 DevOps 確有重疊（都把基礎設施當作程式碼來管理），但 SRE 的首要焦點是可靠性，並且強烈傾向於「消除運維本身的必要性」。

本書編者認為，最早具備 SRE 特質的人，可能是 1960 年代 Apollo 計畫的瑪格麗特・漢密爾頓（Margaret Hamilton）。

她有以下幾項深具 SRE 精神的行動：

在模擬器中觀察到女兒誤觸 DSKY 按鍵導致任務崩潰，便預警在真實任務中若太空人誤選 P01 程式（會清除導航資料）將會發生災難
主動提出在飛行軟體中加入錯誤檢查碼的變更請求，但被 NASA 高層以「太空人不會犯錯」否決
退而求其次，把警告寫進任務規格文件——數天後 Apollo 8 任務中，太空人吉姆・洛弗爾（Jim Lovell）真的誤觸 P01，正是這份文件協助團隊在有限時間內恢復導航資料

漢密爾頓的故事體現了 SRE 的核心精神：徹底、用心、相信準備與文件的價值、對「可能出錯」有覺察，並具備強烈的預防意識。