SRE - 快猫星云Flashcat

排查 502 Bad Gateway 的常见思路

巴辉特 · 2024-04-24

浏览器侧看到请求超时，status code 502，即 bad gateway，可能的原因有哪些呢？本文从 SRE 视角给一些常见的排查思路

写了一个 SRE 调试工具，类似一个小木马

巴辉特 · 2024-04-10

远程操作机器有时会比较麻烦，我写了一个工具，主要功能：1.远程执行命令 2.上传下载文件 3.打印 HTTP 请求

Google SRE 的 on-call 方法和工具

Flashcat · 2023-12-26

我们熟知的 Kubernetes 是 Google 内部容器编排工具 Borg 的开源实现，Prometheus 是 Google 内部监控工具 Borgmon 的开源版本。那么 Google 内部的 OnCall 工具 Outalator 有没有相关的产品呢？

最佳实践：稳定性保障8个锦囊，建议收藏！

快猫技术 · 2023-10-09

稳定性保障，是一切技术工作的出发点和落脚点，也是 IT 工作最核心的价值体现，当然也是技术人员最容易“翻车”的阴沟。8个稳定性保障锦囊，分享给各位技术人员择机使用。

SRE Google 运维解密读书笔记三：服务质量目标

秦晓辉@快猫星云 · 2023-05-26

SRE 首要任务是制定并推动达成 SLO，本文介绍 SLO 的相关实践。成为 SRE 第一步：搞定 SLO，协助制定、推动达成！

SRE Google 运维解密读书笔记二：拥抱风险

秦晓辉@快猫星云 · 2023-05-25

不可能有 100% 的服务可用性，也没有必要做到 100% 的服务可用性。如何度量风险，如何制定 SLO，如何提升稳定性，如何权衡成本和产出

SRE Google 运维解密读书笔记一：SRE 方法论概述

秦晓辉@快猫星云 · 2023-05-17

SRE Google 运维解密，是 SRE 领域的启蒙之作，讲述了 Google 的 SRE 实践，SRE 就是从 Google 流传出来的。本文是读书笔记，第一篇，概述 SRE 方法论

最佳实践：可观测性三支柱？远不止此！

Martin Mao · 2023-05-12

日志，指标和分布式链路追踪这三个可观测性的传统支柱，已经是过时的，过于关注数据采集和底层数据格式，而不去关注结果（我们建设可观测性的初心和目标），这个做法实在是滑天下之大稽

LinkedIn：扩展 Salt 以解决大规模机器命令执行需求

Himanshu Chandwani · 2023-04-23

LinkedIn 有几十万机器，每天执行 15000+ 个任务，任务下发使用的是 Salt，但是做了很多改造。

面试 LinkedIn SRE 是一种怎样的体验？

译文 · 2023-04-23

LinkedIn 作为世界前十大流量的网站，为海量的求职者和雇主提供了建立连接的机会。维护如此庞大的网站的稳定运行，SRE 功不可没，LinkedIn 会如何招聘 SRE 工程师呢？

SLICK: Facebook基于SLO的可靠性保障实践

A Posten, Dávid Bartók, Filip Klepo, Vatika Harlalka · 2023-04-19

定义服务的SLI和SLO，通过全局系统呈现、处理所有服务的SLI/SLO，从而帮助SRE实践在系统中的落地。本文介绍了Facebook（Meta）在这方面的实践。原文：SLICK: Adopting SLOs for improved reliability

SRE们，请不要小看了排班OnCall

只有俩人也要排班的SRE · 2023-04-19

Google SRE 的书中提到了一个点，说要能够把 SRE 的工作落地好，实践好，做好排班 OnCall 是其中关键一环。很多人不理解个中道理，本文会尝试解释一下底层的逻辑。

SRE 简介，和 DevOps 的关系和异同

Martina Della Corte · 2023-04-17

SRE 是什么？SRE 和 DevOps 是一个东西吗？或者说 SRE 和 DevOps 的关系和异同如何？

Uber实践：运维大型分布式系统的一些心得

秦晓辉翻译 · 2023-04-13

在过去的几年里，我一直在构建和运营一个大型分布式系统：优步的支付系统。在此期间，我学到了很多关于分布式架构概念的知识，并亲眼目睹了高负载和高可用性系统不仅要构建还要运行的挑战。构建系统本身是一项有趣的工作。规划系统如何处理10x / 100x流量的增加，确保数据持久，面对硬件故障处理等等，这些都需要智慧。不管怎样，运维大型分布式系统对我来说是一次令人大开眼界的体验。