我是赵成，在基础架构和运维领域工作 10 年有余，目前负责蘑菇街平台技术部，主导中间件、稳定性、工具平台、运维和安全等工作。
2017 年底，我在极客时间开了一门课《赵成的运维体系管理课》，系统整理并分享了我在运维和 DevOps 方面的经验。
这两年，我又近距离接触了很多不同类型、不同规模的企业 IT 团队，我发现他们为了提升用户价值的交付效率，都在积极采用微服务、容器等分布式技术和产品，也在积极引入像 DevOps 这样的先进理念。
这些公司，选择了正确的架构演进方向和交付理念，效率自然提升了一大截。但你会发现，效率提升的同时，挑战也跟着来了：引入如此众多的先进技术和理念后，
这种复杂架构的系统稳定性很难得到保障，怎么办？
答案就是：SRE。
近几年，业界对 SRE 的关注越来越多，大家几乎达成了共识——Google SRE 就是目前稳定性领域的最佳实践。甚至可以说，
SRE 成为了稳定性的代名词。
那么，SRE 到底有什么过人之处呢？我先给你分享一张图，这是我结合自己团队的日常工作，做出来的 SRE 稳定性保障规划图：
我们最初画这张图，是为了提高故障处理效率，将每个阶段可以做的事情填进去，并在实践中不断补充完善，最终形成了我们探索 SRE 的框架图。
你会发现，
SRE 要做的事情并不神秘，
我们每天做的监控告警、运维自动化、故障处理和复盘等工作，就是 SRE 的一部分，Google 在介绍 SRE 时，很多篇幅也都是我们熟悉的内容。
然而，
在实际落地这套方法论时，大家还是有很多疑惑
，比如：
-
SRE 到底是什么？能解决什么问题？
-
SRE 涉及范围如此之大，应该从哪里入手建设？
-
在稳定性技术体系的建设上，我们做了大量工作，为什么还是故障频发？单纯的技术保障不够吗？
-
故障后，最怕开复盘会，开着开着就变成了批斗会，有时问题还没定位清楚，就开始推诿扯皮谁该背锅了，故障复盘会的目的到底是什么？
-
引入 SRE 后，应该如何提升团队的能力？组织架构应该怎么匹配呢？
要知道，上面这些问题不是我凭空臆想出来的，而是在跟众多企业 IT 团队交流和调研的过程中，
我被问及最多、最频繁的问题
。总结起来，分为两大类：
-
理念：SRE 到底是什么？我们应该怎么来理解它？有哪些关键点？
-
实践：到底应该从哪里入手建设 SRE？组织架构应该怎么匹配？
这两类问题，其实并不难解决。要真正掌握 SRE，不能仅仅向 Google 或其他大厂学习具体的技术经验，而是将这些技术有机结合，形成一套稳定性体系，
让体系发挥出力量。
所以，我系统梳理了自己的经验和调研，与极客时间合力打磨了专栏
《SRE 实战手册》
，帮你正确理解 SRE，掌握 10+ 必知必会 SRE 知识点，同时通过 2 大典型 SRE 组织架构案例分享，建立可落地的故障应急处理机制，
构建体系化建设 SRE 的思路。
👆扫码上图二维码，免费试读
结算时，输入
优惠口令
「XUEXISRE6」
再减 5 元，
到手仅 ¥14.9
仅限「
前 200 人
」有效
我是赵成，蘑菇街技术总监，《赵成的运维体系管理课》作者。我曾在华为工作七年，有丰富的电信行业软件研发及运维经验。
近两年，我和团队花了大量精力来做稳定性保障方面的事情，不断探索在 SRE 方面的实践，在日常的稳定性规范制定，监控、压测、服务治理、大促稳定性保障，故障应急和管理，以及组织架构建设等方面，积累了很多经验。
2019 年，我在 SRE 领域最具国际影响力的 SRECon 上，分享了蘑菇街在容量压测方面的实践经验，得到了全球各大公司同行们的热烈反馈。
专栏主要分为两个部分：
第一部分，夯实基础，带你建立 SRE 稳定性标准。
在这一部分，我会先讲清楚 SRE 是什么，以及业界衡量稳定性的标准是什么。将 SLO 作为引入 SRE 的切入点，因为它相当于我们稳定性标准化的基础，也是稳定性保障的共识机制。有了这个共识，我们才能更好地管理稳定性，消除周边团队的不理解和不认可。
同时，我还会引入一个电商的案例，梳理在实际场景中设定 SLO 应该考虑哪些因素。
这一部分，我会从“故障”和“组织架构”这两个关键词入手来讲：
第一个是“故障”
。围绕故障这个影响稳定性的核心事件，结合实践案例，分析如何减少故障发生次数，缩短故障影响时间，进而提升系统可用性及稳定性。
