SRE

给首次担任专家级 SRE（网站可靠性工程师）的几点建议

译文 · 2025-12-08

本文分享了首次担任专家级 SRE 的一些建议，涵盖了思维模式的转变、团队协作、技术领导力等方面，帮助新晋专家级 SRE 更好地适应角色并推动系统可靠性。

在 Kubernetes 中构建统一的 OpenTelemetry 流水线

译文 · 2025-11-17

通过 OpenTelemetry 在 Kubernetes 集群中实现指标、日志和追踪数据的统一流水线，提升可观测性和故障排查效率。

SRE 实践真经：可观测性、SLOs、Runbooks 与事故报告

fatihkoc · 2025-11-14

本文聚焦于将可观测性转化为可靠性的人员体系，介绍如何定义能指导决策的 SLO、构建可扩展团队知识的运行手册、设计能推动改进的结构化事后分析，以及如何将这些实践融入工程文化。

Kafka集群故障排除：常见问题及解决方案

Sean Riley · 2025-10-22

本文介绍了在管理Kafka集群时常见的问题及其解决方案，帮助运维人员快速定位和解决Kafka相关故障。

Elasticsearch 常见问题排查方法

译文 · 2025-10-21

Elasticsearch 本身是一款复杂的软件，而当你启动多个实例以形成集群时，其复杂性会进一步增加。这种复杂性伴随着出现问题的风险。在本节课中，我们将探讨一些你在 Elasticsearch 使用过程中可能会遇到的常见问题。

NetFlix SRE 实践

Hank Jacobs · 2025-08-11

这是来自 NetFlix 的 CORE 团队的 SRE 工程师 Hank Jacobs 分享的 NetFlix SRE 实践，介绍了 NetFlix CORE 团队的职责、工作方式以及他们如何确保 Netflix 服务的稳定性和可靠性。

掌握这些能力，工资翻倍不成问题

快猫运营团队 · 2025-07-16

想要在 SRE 职业生涯中实现工资翻倍？本文将介绍 SRE 需要掌握的关键能力，从硬核技术到跨团队协作，帮助你在竞争中脱颖而出。

大厂出手了，微软推出 SRE agent 做故障定位

译文 · 2025-06-06

介绍微软 Azure SRE Agent 的能力与工作方式，涵盖事件响应、日志和指标分析、根因定位、安全检查与自动止损等场景。

如何处理复杂系统 - 我在 Google 工作时学到的

Teiva Harsanyi · 2025-05-26

在 Google 工作时学到的关于复杂系统的经验和处理方法。

运维想转SRE？先了解这7个原则

译文 · 2025-05-26

SRE （站点可靠性工程）是一种将运维问题视为软件问题的方法。本文介绍了 SRE 的七项原则，帮助运维人员转型为 SRE 专家。

SRE 最应该监控的四大黄金指标

Ayooluwa Isaiah · 2025-04-28

本文详细介绍了 SRE 最应该监控的指标，通过引入 Google 4 Golden Signals、RED、USE 等方法论，并配合 Prometheus 配置说明，全面梳理讲解了各类关键指标的定义、计算方法和应用场景，帮助读者深入理解 SRE 监控的核心要素。这些知识是算是 SRE 的必备知识了。

什么样的项目，可由运维负责稳定性？

巴辉特 · 2025-04-07

什么样的项目，或者说项目达到什么标准，可由运维人员来共担稳定性？本文从可用性、性能、可观测性、SOP 等方面，给出一些建议。

运维的价值为何经常被挑战？哪些工作更有价值？

秦晓辉 · 2025-03-25

运维这个工作岗位，作为业务背后的团队，做的很多工作不容易被看到，容易被挑战工作的价值，本文尝试来聊一下这个话题，看看运维工作应该侧重在哪些方向

实施 SLA、SLO 和 SLI：SRE 实用指南

Karthigayan Devan · 2024-07-23

探索相关术语定义以及 SLA、SLO 和 SLI 如何帮助有效监控和维护系统性能。

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？

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