S01-01-SRE与运维治理

来源快照｜SRE与运维治理

本页是原图的只读导入快照，不是已核验文档。原有历史命令、版本标记与疑点保留；已识别口令替换为占位符。图片只保留引用。

• SRE与运维治理 ^xm-8b94d7978b3248f392568ae539
  • ◆ 2026 深度扩展｜SRE 与运维治理 ^xm-a202c44fb7b24d019ba5a3c9a9
    • 服务目录、所有权与依赖 ^xm-a9291c573fb6458e8a9fb0e4c8
      • 🎯 目标 ^xm-514a75f065ce4464955f95b1f1
        • 让每个服务都有负责人、用户、依赖、目标和应急入口。
      • 🧠 知识拆解 ^xm-b70134b19780484489265f59c7
        • 服务边界与关键用户旅程
        • owner/on-call/escalation
        • 上游/下游/数据依赖
        • 运行环境、版本与生命周期
        • Tier 分级与风险等级
      • ⌨️ 命令 / 配置 / 关键对象 ^xm-7c15e7f5a85146ce931b40c66a
        • 服务目录字段
        • CMDB/标签规范
        • 依赖图与数据流图
        • Runbook/Playbook 链接
      • 🔥 高频故障与风险 ^xm-f52e780ed9e14b44a7ba1f63e8
        • 服务无人负责
        • 依赖变更未通知
        • 资产与真实环境漂移
        • 告警找不到 owner
      • 🔎 排障路径 ^xm-5606247bfdb94ccd8ab246b931
        • 从用户路径反向画依赖
        • 核对仓库/流水线/集群标签
        • 抽样演练升级路径
      • 🧪 实战练习 ^xm-fdb15ce325024e32a1016e9767
        • 为一个真实系统建立服务目录
        • 从一次故障补齐缺失依赖
      • ✅ 验收标准 ^xm-30fdd5694f394b0eb9c097e3b3
        • 100% 关键服务有 owner
        • 依赖图可用于故障定位
        • 季度审阅与自动漂移检测
    • SLI、SLO、SLA 与错误预算 ^xm-9350fc4cec854ac982d2bcd219
      • 🎯 目标 ^xm-3951991cba814292a1af26e8db
        • 用用户感知的可靠性目标驱动告警和工程投入。
      • 🧠 知识拆解 ^xm-1ebc41f9c58e4b369a91cf82e9
        • 可用性/延迟/正确性/新鲜度 SLI
        • good events / valid events
        • 滚动窗口与自然月窗口
        • 多窗口多燃烧率
        • SLA、SLO 与内部目标差异
        • 错误预算策略
      • ⌨️ 命令 / 配置 / 关键对象 ^xm-a481028e354d4a88af4e682165
        • PromQL SLI
        • recording rules
        • SLO 文档
        • burn-rate alerts
      • 🔥 高频故障与风险 ^xm-8b44dcb7ef094f96b497648500
        • 只监控 CPU 不监控用户
        • SLO 过多不可维护
        • 窗口和分母错误
        • 错误预算没有决策动作
      • 🔎 排障路径 ^xm-5266b2f7e2ce495bbfd6363aee
        • 从用户旅程定义事件
        • 回放历史故障验证 SLI
        • 检查低流量与缺失数据
      • 🧪 实战练习 ^xm-cd81c515b7ae40aab53fcfbe74
        • 为 API 定义可用性与 p95 延迟 SLO
        • 根据 30 天目标设计快慢燃烧告警
      • ✅ 验收标准 ^xm-d503991517ff422c87f563149b
        • SLI 可自动计算
        • 告警能在预算耗尽前行动
        • SLO 评审包含产品与研发
      • 🔗 对应优秀开源项目 ^xm-09a5d578a41c4a74828fd6bf22

        • prometheus/prometheus

          备注（源图文本，未作运行验证）：

          定位：指标采集、TSDB 与 PromQL
          源码阅读：discovery→scrape→WAL/TSDB→query→rules
          实战：四类黄金信号、recording rules、容量估算
          注意：控制标签基数，避免把日志字段当 label
          整理日期：2026-07-09

          • 原链接（未复核）：https://github.com/prometheus/prometheus

        • prometheus/alertmanager

          备注（源图文本，未作运行验证）：

          定位：告警分组、路由、抑制与静默
          源码阅读：grouping→routing→inhibition→receiver
          实战：按服务/严重级别路由并做抑制
          注意：告警必须可行动且有 owner/runbook
          整理日期：2026-07-09

          • 原链接（未复核）：https://github.com/prometheus/alertmanager
    • On-call、事件指挥与沟通 ^xm-89c07d17bf2e4363b40d467e22
      • 🎯 目标 ^xm-92e2906a438844089292a18c4c
        • 在压力下用明确角色和节奏恢复服务。
      • 🧠 知识拆解 ^xm-4b7bc34b969b4fca96fb4eeaa8
        • 事件等级与影响标准
        • Incident Commander/Operations/Communications
        • 升级路径与交接
        • 内部/外部沟通
        • 事实/假设/行动分离
        • 重大事件时间线
      • ⌨️ 命令 / 配置 / 关键对象 ^xm-f57ef443abba4af6a18fbaa8e3
        • 事件模板
        • 状态页
        • 会议/频道命名
        • 定时更新节奏
        • 交接清单
      • 🔥 高频故障与风险 ^xm-ffed69d8aaff4da7a3f3b8298c
        • 多人同时操作
        • 没有单一指挥
        • 只排技术不沟通
        • 时间线事后凭记忆
      • 🔎 排障路径 ^xm-820e949740524a00b35828ac90
        • 先确认用户影响与范围
        • 冻结非必要变更
        • 每个动作记录 owner/预期/结果
      • 🧪 实战练习 ^xm-3b52c3fb9087410ca11a3d1b69
        • 桌面推演数据库不可用
        • 模拟跨团队重大事件 60 分钟
      • ✅ 验收标准 ^xm-d0c24c7963d5449eb980485159
        • 5 分钟内建立指挥
        • 15 分钟内首次状态更新
        • 所有高风险操作可追溯
      • 🔗 对应优秀开源项目 ^xm-f5593fea71844abcb6d8cf09a4

        • keephq/keep

          备注（源图文本，未作运行验证）：

          定位：开源告警管理与 AIOps 平台
          源码阅读：provider→alert→dedup/correlation→workflow
          实战：汇聚 Prometheus/Grafana 告警并去重关联
          注意：AI 总结不能替代确定性路由和审计
          整理日期：2026-07-09

          • 原链接（未复核）：https://github.com/keephq/keep

        • robusta-dev/robusta

          备注（源图文本，未作运行验证）：

          定位：K8s 告警增强与自动化处置
          源码阅读：alert webhook→enrichment→playbook→sink
          实战：为 OOM/Pending/CrashLoop 自动补充证据
          注意：自动修复必须白名单、幂等、可回滚
          整理日期：2026-07-09

          • 原链接（未复核）：https://github.com/robusta-dev/robusta
    • 无责复盘与问题管理 ^xm-07b63fea421949b1a90516b83c
      • 🎯 目标 ^xm-5d3703a59e7d4769bc4cf67909
        • 把故障转化为系统性改进而不是个人归因。
      • 🧠 知识拆解 ^xm-d4f64ece856543af8e83615ab0
        • root cause vs contributing factors
        • five whys 的局限
        • 控制失效与检测缺口
        • 行动项优先级
        • 重复事件与问题单
        • 复盘质量指标
      • ⌨️ 命令 / 配置 / 关键对象 ^xm-68d24595bf3048b18c4346f2b4
        • 时间线模板
        • 影响量化
        • 证据链接
        • 行动项 owner/deadline
        • 复发跟踪
      • 🔥 高频故障与风险 ^xm-44b0ec9ad4d542e7b7e581aa7b
        • 只写操作失误
        • 行动项全是加强培训
        • 没有完成追踪
        • 复盘隐藏近失事件
      • 🔎 排障路径 ^xm-fc8cff9864a048ef85cb4373c8
        • 从系统条件解释行为
        • 识别为何未提前发现
        • 检查同类风险面
      • 🧪 实战练习 ^xm-a56b981f7bc840d2a22744cf61
        • 重写一份责备式复盘
        • 对历史故障做行动项有效性回看
      • ✅ 验收标准 ^xm-cfd662cd098446abb71c5f6b6e
        • 行动项可验证
        • 高风险项有截止时间
        • 复盘结论进入标准/自动化
    • 变更、发布与风险治理 ^xm-da5f70f21364423ba8649dc6b7
      • 🎯 目标 ^xm-fa73754a645d4e68bcb0a5b94d
        • 用小批量、可观测、可回滚方式降低变更失败率。
      • 🧠 知识拆解 ^xm-1f7eabf092ee4caea1bf652b8a
        • 标准/普通/紧急变更
        • blast radius
        • canary/blue-green/rolling
        • feature flag
        • 变更冻结与维护窗口
        • DORA 指标
      • ⌨️ 命令 / 配置 / 关键对象 ^xm-e59e73d4cb064524a726c4f87a
        • change record
        • pre-check/post-check
        • rollback trigger
        • 自动化审计
        • 发布日历
      • 🔥 高频故障与风险 ^xm-712e3b46de3942d89d9587a197
        • 无回滚
        • 一次变更多个系统
        • 紧急变更常态化
        • 成功只看流水线绿灯
      • 🔎 排障路径 ^xm-9c44d891638b4b9288ce409e57
        • 关联部署标记与错误率
        • 检查配置/镜像/依赖 diff
        • 验证用户旅程和数据
      • 🧪 实战练习 ^xm-ea1c0d466af346ff8d10195533
        • 设计 10% 金丝雀发布
        • 演练自动回滚和人工回滚
      • ✅ 验收标准 ^xm-4e8a4a55bc994352acc75e77e2
        • 变更可追到 commit/审批/制品
        • 回滚时间符合目标
        • 失败变更率持续下降
      • 🔗 对应优秀开源项目 ^xm-2950279b2be24d02ac37d3e86a

        • argoproj/argo-cd

          备注（源图文本，未作运行验证）：

          定位：声明式 Kubernetes 持续交付
          源码阅读：repo-server→application-controller→diff/sync
          实战：实现多环境、sync wave、回滚
          注意：自动同步前先治理 secret 和变更审批
          整理日期：2026-07-09

          • 原链接（未复核）：https://github.com/argoproj/argo-cd

        • fluxcd/flux2

          备注（源图文本，未作运行验证）：

          定位：可组合 GitOps Toolkit
          源码阅读：Source→Kustomize/Helm Controller→Notification
          实战：Git/OCI source、镜像自动更新与 SOPS
          注意：多租户时明确 source 与 namespace 权限
          整理日期：2026-07-09

          • 原链接（未复核）：https://github.com/fluxcd/flux2
    • 容量、成本与生命周期 ^xm-2ecddc14c9b344448a288393cb
      • 🎯 目标 ^xm-0de1eec6b5194287be60a47245
        • 提前识别容量拐点，并把可靠性和成本放在同一决策中。
      • 🧠 知识拆解 ^xm-2eec31cddb2a4e06bbef95d99d
        • 需求预测与季节性
        • headroom
        • 瓶颈资源
        • 排队论直觉
        • 单位业务成本
        • EOL/EOS 风险
      • ⌨️ 命令 / 配置 / 关键对象 ^xm-564b6d62a6034c5ca43d6c8447
        • 容量模型
        • 水位阈值
        • 扩容 lead time
        • FinOps 标签
        • 版本生命周期清单
      • 🔥 高频故障与风险 ^xm-a6bc80f3387f408e8f18265922
        • 平均值掩盖峰值
        • 扩容依赖临时采购
        • 闲置资源无人负责
        • 组件过期无升级路径
      • 🔎 排障路径 ^xm-ae475547b1194bcdbc133981a6
        • 按用户/租户/功能拆成本
        • 对峰值做 what-if
        • 核对限额与配额
      • 🧪 实战练习 ^xm-760b5171123949c69bf461ca96
        • 为 3 倍流量做容量计划
        • 制定一个组件的升级/退役计划
      • ✅ 验收标准 ^xm-f15272d300294382b29d57c93b
        • 关键资源有 90 天预测
        • 成本异常可归因
        • 版本风险进入季度计划
      • 🔗 对应优秀开源项目 ^xm-c6c0f82ddc9d408b88b2e66faf

        • robusta-dev/krr

          备注（源图文本，未作运行验证）：

          定位：基于 Prometheus 的 K8s 资源建议
          源码阅读：历史指标→算法→recommendation
          实战：对 requests/limits 做建议与回归
          注意：建议需结合峰值、突发和 SLO 审核
          整理日期：2026-07-09

          • 原链接（未复核）：https://github.com/robusta-dev/krr
  • ★ [新增] 可靠性目标 ^xm-a962f668854343f989e5866452
    • SLI：可量化的服务指标 ^xm-b1c70ecead774caa9905f35738
      • 可用性
      • 延迟
      • 错误率
      • 吞吐量
      • 数据正确性与新鲜度
    • SLO：目标与统计窗口 ^xm-2112f6c5bfca4c3e9e50a347a4
      • 目标值与窗口
      • 分层服务目标
      • 用户旅程与关键链路
    • 错误预算 ^xm-0a7955af703f4810925f57d114
      • 消耗速率 Burn Rate
      • 发布门禁
      • 稳定性与迭代速度平衡
    • SLA：对外承诺与责任边界
  • ★ [新增] 运维治理 ^xm-fa7420905daa414b8d28aac92a
    • 服务目录与负责人
    • 环境与配置基线
    • 资产、CMDB 与依赖关系
    • 变更分级、评审与审计
    • 维护窗口与发布日历
    • 容量、成本与生命周期管理
  • ★ [新增] 事件管理 ^xm-f96639a08e6a4391b67610f60f
    • 事件分级与升级路径
    • On-call 值班与交接
    • 故障指挥与沟通机制
    • Runbook 与自动化处置
    • 无责复盘与行动项闭环
    • 演练、GameDay 与混沌工程