sre

_{^{來點 SRE - 從 ChatGPT 停機公告，學維運事後剖析}}

Overview 概述

ChatGPT 在美國時間 3/24(週五) 發布了新的一篇 blog，解釋 3/20(週一) ChatGPT 停機的來龍去脈。

每一次的緊急維修，對於系統維運 SRE 來說都是意義非凡。因為這代表你的服務

1. 重要到用戶會關注
2. 必要到每分每秒都在產生價值 (不修復會造成損失)

對於很多企業來說，停機好像是永遠不該發生的事。多半是偷偷改掉不讓用戶發現就過了，怎麼可能大張旗鼓地還發部落格？

從這點就可以看出決定性的差異。

🔎 透明度，及其帶來的信任是關鍵。「我們正在修，出於什麼原因-人事時地物，之後能怎麼避免」。好用，相信你能夠盡快修復的信任感 (Trust)，奠基於系統服務的穩定 (Reliability)

❓ 提問: 你的團隊在意這些服務體驗嗎？ 一起來看 OpenAI 怎麼示範 SRE 中的 Postmortem (事後剖析)。

Overview

Google 推行 SRE 也已經好一陣子, 十分認同其中的各種想法與作法. 最近終於能有機會好好整理讀書心得筆記, 持續學習.

因為內容很多, 所以打算以系列文的方式, 不定期地更新內容, 這篇會作為 Summary 使用. 一來紀錄緣由, 二來追蹤進度.

Challenges

1. Hybrid Cloud Environment Complexity Grows. 身為 IT, 在 Hybrid Cloud 環境與 Micro-service 趨勢下, 帶來的是更多的 Dependency 以及更為複雜的資料流.
2. Hard to Prove and Maintain Reliability. 在設計 Data Pipeline 的過程中, 除了最終要 Deliver Data to Value 以達到 Business Impact 外, 更需要確保每天的 Data & Services Quality & Reliability, 甚至可以說是服務上線後天天都會遇到的事.
3. Often Without Clear Value Proposition. 而這些日常維運繁瑣的事務其實有很多可以用工程手段解決/自動化的部分, 但是卻非常容易在繁忙且接踵而來的專案下, 不自覺地疏忽了.
4. Prioritize ITOps Tasks: 為了及早發現及早還技術債, 應該更有意識地持續分析:
   1. 哪些該先做, 成本效益最佳?
   2. 鎖定目標後, 又該如何實作, 才能真的事半功倍?
   3. 實作完成後, 如何良好衡量優化效益?

Objectives

• Learn from Google SRE books
  • then introduce and continuously implement and improve current data services design reliability at work.

KRs

1. 2021-12 完讀 The Site Reliability Workbook (實作細節, 實例)
2. 2021-12 完讀 Site Reliability Engineering (概念, 文化)