大型網(wǎng)站運維：從系統(tǒng)管理到SRE

第1章 關于SRE 1
1.1 為什么會引入SRE 2
1.2 DevOps和SRE對比 5
1.2.1 DevOps的發(fā)展 5
1.2.2 SRE的發(fā)展 6
1.3 選擇SRE 8
1.4 SRE的未來 9
第2章 SRE在組織內部的定位 11
2.1 如何介入組織 12
2.2 SRE工作著力點 16
2.3 如何衡量工作 19
2.4 貢獻價值 22
第3章 監(jiān)控建設 25
3.1 什么是好的監(jiān)控服務 25
3.1.1 穩(wěn)定 25
3.1.2 準確 27
3.1.3 易用 29
3.2 監(jiān)控系統(tǒng)的設計邏輯分析 29
3.2.1 數(shù)據(jù)生產 30
3.2.2 數(shù)據(jù)上報 31
3.2.3 數(shù)據(jù)處理 33
3.2.4 數(shù)據(jù)存儲 34
3.2.5 數(shù)據(jù)使用 36
3.3 典型監(jiān)控應用場景 41
3.3.1 系統(tǒng)監(jiān)控 41
3.3.2 應用監(jiān)控 42
3.3.3 終端監(jiān)控 44
3.3.4 秒級監(jiān)控 45
3.3.5 監(jiān)控大盤 46
3.3.6 鏈路監(jiān)控 46
3.4 報警治理 47
3.5 容器監(jiān)控 50
3.6 監(jiān)控智能化 51
第4章 變更管理 53
4.1 變更管理機制 54
4.1.1 傳統(tǒng)運維的變更管理 55
4.1.2 DevOps的變更管理 57
4.1.3 SRE的變更管理 59
4.1.4 變更管理實踐總結 61
4.2 變更控制 62
4.2.1 如何建設好的變更控制 62
4.2.2 制定符合業(yè)務需求的變更控制機制 64
4.3 穩(wěn)定性和迭代速度的權衡 66
4.4 變更風險控制 68
4.5 總結 70
第5章 異常響應 71
5.1 異常的定義 71
5.2 事故/事件定義 73
5.2.1 區(qū)分事件和事故 73
5.2.2 事故等級制度 74
5.3 異常響應流程 76
5.4 如何處理值班過程中的異常響應 79
5.5 應急溝通機制 82
5.6 關于線上問題的ROC 84
第6章 服務穩(wěn)定性治理 88
6.1 SLI/SLO/SLA的制定和落地 88
6.1.1 SLI的制定和應用 89
6.1.2 SLO的計算和應用 90
6.1.3 SLA的計算和應用 91
6.2 故障預防 92
6.3 抑制不可控因素 95
6.4 故障演練 97
6.4.1 故障梳理 97
6.4.2 故障預案 98
6.4.3 混濁工程 98
6.5 故障自愈 100
6.6 業(yè)務MTTR 102
6.6.1 關于故障修復MTTR 102
6.6.2 關于故障解決MTTR 104
6.7 災備建設 105
6.8 總結 109
第7章 事故復盤 110
7.1 關于事故復盤 112
7.1.1 事故復盤初級階段 112
7.1.2 事故復盤中級階段 113
7.1.3 事故復盤成熟階段 113
7.2 如何提升事故復盤質量 115
7.2.1 事故復盤深度 116
7.2.2 事故復盤報告 118
7.3 事故分析的邏輯和原則 119
7.4 事故責任的劃分邏輯 123
7.5 事后跟進 126
7.6 基于事故/事件的學習 128
第8章 容量管理 131
8.1 容量管理的目標 131
8.2 容量管理的方法和策略 132
8.2.1 傳統(tǒng)評估方法 133
8.2.2 IT資源成本的構成 133
8.2.3 容量水位的定義 134
8.2.4 容量管理策略 137
8.3 容量分析系統(tǒng)建設 137
8.3.1 業(yè)務負載平臺 137
8.3.2 巡檢管理平臺 139
8.3.3 監(jiān)控系統(tǒng)和CMDB系統(tǒng) 142
8.4 容量優(yōu)化方式 143
8.4.1 業(yè)務容量優(yōu)化 143
8.4.2 資源容量優(yōu)化 143
8.4.3 架構容量優(yōu)化 146
8.5 容量預案 151
8.6 總結 153
第9章 用戶體驗 154
9.1 外部用戶體驗和內部用戶體驗 155
9.1.1 外部用戶體驗 156
9.1.2 內部用戶體驗 158
9.2 影響用戶體驗的要素 159
9.3 外部用戶體驗的改進策略 162
9.4 內部用戶體驗的改進策略 165
9.4.1 數(shù)據(jù)兼容性 165
9.4.2 工作流程 167
9.4.3 執(zhí)行效率 169
第10章 重要業(yè)務活動保障 172
10.1 重要業(yè)務活動的資源準備 173
10.1.1 容量規(guī)劃 173
10.1.2 資源交付規(guī)劃 175
10.1.3 技術優(yōu)化 178
10.2 參與運營活動評估 181
10.3 重要業(yè)務活動穩(wěn)定性預案 184
10.4 重要業(yè)務活動準備階段的工作重點 187
10.5 重要業(yè)務活動的變更執(zhí)行要求 190
10.6 重要業(yè)務活動的運維人力 192
10.7 重要業(yè)務活動的收尾 193
第11章 運維操作基礎 196
11.1 網(wǎng)絡基礎 197
11.1.1 ARP 197
11.1.2 路由 200
11.2 4/7層協(xié)議 204
11.2.1 4層協(xié)議 204
11.2.2 7層協(xié)議 208
11.3 內核參數(shù)調優(yōu) 213
11.3.1 TCP網(wǎng)絡堆棧內存 214
11.3.2 TCP連接數(shù)優(yōu)化 215
11.3.3 TCP高并發(fā)優(yōu)化 216
11.3.4 網(wǎng)絡參數(shù)額外調整項 217
11.3.5 TCP擁堵算法 218
11.4 常見命令行 221
11.4.1 查看數(shù)據(jù)指標 222
11.4.2 網(wǎng)絡數(shù)據(jù)包分析 223
11.5 配置管理工具 227
11.5.1 Ansible 228
11.5.2 CFEngine 229
11.5.3 Chef 231
11.5.4 Puppet 234
11.5.5 Salt 237
11.5.6 配置管理工具的匯總說明 240
11.5.7 云環(huán)境下的配置管理工具演化 241
11.6 基礎設施即代碼 242
11.7 關于運維操作的未來 244
第12章 基礎組件運維 245
12.1 負載均衡中間件 245
12.1.1 算法邏輯的影響 246
12.1.2 附加特性的作用 252
12.1.3 負載均衡方案 254
12.1.4 負載均衡總結 256
12.2 消息隊列中間件 258
12.2.1 消息隊列方案的技術決策 259
12.2.2 消息隊列的技術演化 261
12.3 緩存中間件 262
12.3.1 緩存中間件的技術關注點 263
12.3.2 緩存中間件的選型策略 265
12.3.3 緩存中間件的技術演化 270
12.4 數(shù)據(jù)庫 272
12.4.1 SQL數(shù)據(jù)庫技術的選擇 273
12.4.2 SQL數(shù)據(jù)庫的配置注意事項 276
12.4.3 NoSQL數(shù)據(jù)庫技術的選擇 279
12.4.4 時序數(shù)據(jù)庫技術 282
12.5 組件運維 283
第13章 云計算和容器 284
13.1 云計算基礎 285
13.1.1 云計算平臺運維 286
13.1.2 云計算平臺上的產品運維 288
13.2 虛擬化 290
13.3 容器 292
13.4 云存儲 296
13.5 云網(wǎng)絡 299
13.6 混合云 302
13.7 云原生 305
13.7.1 云原生的需求情況 305
13.7.2 云原生的發(fā)展 307
13.7.3 云原生的展望 309