作者背景#

本書由 Google 的 SRE 團隊核心成員共同撰寫，主要編輯包括 Betsy Beyer（Google 技術寫作者，曾參與多本 SRE 系列書籍的編撰）、Niall Richard Murphy（Google SRE 資深工程師，長期從事大規模分散式系統的可靠性工程）、David K. Rensin（Google 雲端平台 SRE 負責人）、Kent Kawahara 與 Stephen Thorne。本書是《Site Reliability Engineering》（2016 年出版）的實踐導向姊妹篇，前書定義了 SRE 的理論框架，本書則聚焦於如何將這些原則落地實施。

完整摘要#

本書以三大部分系統性地展開 SRE 的實踐方法。第一部分「基礎」建立核心概念：闡明 SRE 與 DevOps 的關係（SRE 實作了 DevOps 所描述的哲學）、詳述服務等級目標（SLO）的制定與實施方法、監控系統的設計原則、基於 SLO 的告警策略、苦差事（Toil）的識別與消除，以及系統簡化的工程實踐。第二部分「實踐」深入具體的操作領域：值班（On-Call）管理、事故回應流程、事後檢討（Postmortem）文化的建立、負載管理策略、大規模系統設計（Non-Abstract Large System Design）、資料處理管線的可靠性、配置管理的設計與最佳實踐，以及金絲雀發布（Canarying Releases）的方法。第三部分「流程」關注組織層面的議題：如何識別與應對團隊過載、SRE 團隊的參與模型與生命週期管理、向外部組織推廣 SRE 實踐，以及在組織中推動變革管理。全書始終以 Google 及其他公司的真實案例為基礎，強調 SRE 的核心信條：用軟體工程方法解決營運問題，以 SLO 作為決策的客觀依據。

本書的貢獻與定位#

本書填補了 SRE 理論與實踐之間的鴻溝。前作《Site Reliability Engineering》回答了「什麼是 SRE」，本書則回答「如何實施 SRE」。書中大量的具體案例、決策框架與實施步驟，使得非 Google 規模的組織也能借鑑其方法。適合正在建立或改進 SRE 實踐的工程團隊、基礎架構主管，以及希望將可靠性工程融入開發流程的技術領導者。