二、 SREWorks有什么优势？
回归到运维领域的需求，无论上层产品和业务形态怎么变化，运维本质上解决的还是“质量、成本、效率、安全”相关需求。SREWorks用一个运维SaaS应用界面来支撑上述需求，同时以“数智”思想为内核驱动SaaS能力，具体包括交付、监测、管理、控制、运营、服务六部分。
1. 体系化运维平台分层架构
从“质量、成本、效率、安全”四个维度出发看运维本质相关工作，运维除了要搭平台、建规范、做标准，还要用自动理念提升效率，用数据驱动测试/开发/运维，用智能手段提前发现/预测风险问题等。这些可以看成是方法论。如何能从理论快速获得一套体系化、工程化、产品化的能力实践，去支撑满足上述四个维度的需求，就是SREWorks所考虑的问题。
阿里云大数据SRE团队利用分层思想构筑了SREWorks平台产品体系，借鉴经典SPI（SaaS/PaaS/IaaS）三层划分思路，SREWorks由“运维SaaS应用场景层、运维PaaS中台服务层、运维IaaS接入层”三部分构成。
SREWorks中还融入了运维规范、标准化思想，利用产品承载自动化流程、数据驱动、智能内核的方法论。从代码到线上业务服务的整个过程，运维或多或少地参与了其中一些工作，因此，围绕应用的生命周期，在SaaS场景层划分了“交付、监测、管理、控制、运营、服务”六大区。如下图所示，每块内容里都有代表性的核心功能。
SREWorks中统一以应用抽象来描述业务系统，在开发人员将研发完成的应用制品交付上线后，就会对线上应用实例生命周期进行监测、管理、控制。SREWorks所拥有的运维数据能力会提供增值化的运营、服务，为有需要的人员提供便捷的视图、管理能力等。
“交付、监测、管理、控制、运营、服务”六大场景在SREWorks产品手册中有详细的定义及边界说明。
2. 完整的数据化运维体系实践
一套数据化运维体系，会把所有系统的运维数据全部采集起来、真正打通，并深度挖掘这些数据的价值，为运维提供数据决策；同时构建数据化运维业务模型，基于该模型建立标准化运维数仓，建设数据运维平台，在平台中规范运维数据的采集、存储、计算及分析，并提供一系列数据化服务，供上层运维场景使用。
有了运维相关的量化数据，对运维工作的描述和衡量将更加立体化，可以建立长期可持续优化的运维工作模式，实现真正的运维价值。
3. 服务化的AIOps智能运维平台
在阿里云大数据SRE团队看来，AIOps的出现并没有改变运维的表现形式，依旧还是“交付、监测、管理、控制、运营、服务”的界面，只是在大量运维数据化工作的基础之上，利用AI能力探索、挖掘智能化运维场景。因此，在一开始构筑AIOps工程实践时，就坚持打造“感知、决策、执行”的闭环，类似自动驾驶的理念。
SREWorks将量身定制的算法与运维场景化结合，能够提前预测、关联分析，增强风险预防、故障定界定位能力，实现传统手段无法获得的运维价值。具体而言，将每一个智能化的运维服务包装成感知的“监测器”、决策的“分析器”、执行的“策略器”，供健康管理、变更管理等系列服务调用，即可增强已有运维场景，解决一些普通手段无法解决的问题。
4. 运维中台化、低代码化及云原生化运维开发体验
SREWorks套件自身也是云原生化的应用，并且采用运维中台思想构建，在中台里构建大量的PaaS化运维服务能力，在前台围绕“交、监、管、控、营、服”六大场景提供SaaS化运维场景应用。
大部分页面为企业后端控制台类系统，不太需要很酷炫的交互设计，故而，运维开发领域的前端开发始终难于追赶前端流行趋势。针对这些特点，SREWorks创新性地设计了一套Serverless体验的前端开发模式。
