SRE食用指南

简介: SRE食用指南

SRE,多么美妙的一个词,它就像黑暗中的一盏明灯,为运维指出了前进的路。

但是,国内大部分企业的运维人员对 SRE 都不感冒,觉得它就是理论的巨人,根本无法落地实践。

SRE 是谷歌提出的理念,旨在做到以应用为中心,以稳定为前提,做到自动化、智能化、平台化,需要工程师的技术能力拉满:

  • 会产品
  • 会开发
  • 会测试
  • 会运维
  • 会架构

大家一看到这,就直接把 SRE 拉黑了,心里可能在想:我要是这么牛逼,还在这混?

其实,大可不必。在我看来,SRE 并非一定特指某个人,而是一群人,如果一个公司只招一个 SRE,要么公司不知道 SRE 是什么,要么公司是傻逼中的战斗机。

目前国内玩 SRE 玩的比较好的都是大厂,比如百度、蚂蚁、腾讯等,他们的团队规模都很大,这么大团队,如果每个人都会上面的技能,那会是什么场面?有的人可能会认为会是技术爆表,业务稳定的一 B,而我认为那将是一场灾难:如果一个团队有一个厉害的人,他将是标准,如果一个团队有十个厉害的人,那将有 10 个标准,如果一个团队 100 个人都厉害,那将混乱不堪,所以我想那些大厂的 SRE,也不都是全才,但是至少都有一技之长。

而对于大部分中小企业的运维来说,在面对 SRE 的职位发展时,不免考虑一二,也许你做的并不像书上说的那么标准,也许你干的依然是普通运维的活,但是你要相信,你所做的一切都是围绕 稳定 展开的。

最近看到一个大佬写了很多 SRE 的文章(https://mp.weixin.qq.com/s/Afz7C56rVFkeNmAMQm-E1g),我花了两天的时间把所有文章都看完了,并且整理了一份脑图(https://www.mubucm.com/doc/69X_ECgRedU),有需要的自取。

640.png


相关文章
|
canal Kubernetes 网络架构
K8s CNI 网络最强对比:Flannel、Calico、Canal 和 Weave
Kubernetes 采用的 CNI 标准,让 Kubernetes 生态系统中的网络解决方案百花齐放。更多样的选择,意味着大多数用户将能够找到适合其当前需求和部署环境的 CNI 插件,同时还可以在环境发生变化时也能找到新的解决方案。
4070 1
|
Prometheus 监控 前端开发
七步成诗 - 快速创建有效 SLO
七步成诗 - 快速创建有效 SLO
|
Java 编译器 程序员
Java面试高频题:用最优解法算出2乘以8!
本文探讨了面试中一个看似简单的数学问题——如何高效计算2×8。从直接使用乘法、位运算优化、编译器优化、加法实现到大整数场景下的处理,全面解析了不同方法的原理和适用场景,帮助读者深入理解计算效率优化的重要性。
229 6
|
运维 监控
构建高效运维体系:从理论到实践
在当今快速发展的信息化时代,高效的运维体系是保障企业信息系统稳定运行的关键。本文旨在探讨如何构建一个高效、可靠的运维体系,通过分析当前运维面临的挑战,提出相应的解决策略,并结合实际案例,展示这些策略的实施效果。文章首先介绍了高效运维的重要性,接着分析了运维过程中常见的问题,然后详细阐述了构建高效运维体系的策略和步骤,最后通过一个实际案例来验证这些策略的有效性。
|
Web App开发 搜索推荐 安全
|
人工智能 运维 Cloud Native
实战基于阿里云的AIGC在运维领域的探索
传统运维模式已难以应对日益复杂的海量数据和业务需求,效率低下,故障难解。而人工智能的崛起,特别是AIGC技术的出现,为运维领域带来了新的机遇。AIGC能够自动生成运维脚本、分析海量数据,预测潜在故障,甚至提供解决方案,为运维工作注入智能化力量,推动运维向更高效、更智能的方向发展。
17139 19
实战基于阿里云的AIGC在运维领域的探索
|
网络协议 Linux 开发工具
Linkedin-SRE-中文教程-一-
Linkedin-SRE-中文教程-一-
|
消息中间件 数据采集 运维
一份运维监控的终极秘籍!监控不到位,宕机两行泪
【10月更文挑战第25天】监控指标的采集分为基础监控和业务监控。基础监控涉及CPU、内存、磁盘等硬件和网络信息,而业务监控则关注服务运行状态。常见的监控数据采集方法包括日志、JMX、REST、OpenMetrics等。Google SRE提出的四个黄金指标——错误、延迟、流量和饱和度,为监控提供了重要指导。错误监控关注系统和业务错误;延迟监控关注服务响应时间;流量监控关注系统和服务的访问量;饱和度监控关注服务利用率。这些指标有助于及时发现和定位故障。
876 1
|
机器学习/深度学习 自然语言处理 搜索推荐
探索文本向量化的新高峰:合合信息acge_text_embedding 模型原创
文本向量化方法包括词袋模型、TF-IDF、词嵌入和预训练模型(如BERT、GPT)。词嵌入如Word2Vec、GloVe和FastText捕捉单词语义,预训练模型则保留上下文信息。C-MTEB是中文文本嵌入评估平台,测试模型在检索、相似性、分类等任务的性能。合合信息的acge_text_embedding模型在C-MTEB中表现优秀,适用于情感分析、文本生成等任务,具有高分类聚类准确性、资源效率和场景适应性。技术突破涉及数据集优化、模型训练策略和持续学习,提供Demo展示如何使用acge模型计算句子相似度。acge_text_embedding是提升文本处理效率和智能化的有力工具。
1532 2
探索文本向量化的新高峰:合合信息acge_text_embedding 模型原创