“亮着”并不能衡量性能。灯通了电，并不意味着它能提供充足的光线，让用户清楚地看见自己在做什么。除供电外，还有许多不同因素会影响用户能否看清。灯泡可能很暗，原因可能是即将损坏，也可能是虽然通电，但电力不足。如果灯泡没有足够的电力来保持亮度，可能是线路存在问题，也可能是调光器限制了电流。即使灯泡足够亮，灯罩也可能太暗，或者空间太大，仅靠一盏灯无法充分照明。简而言之，许多因素都会影响灯具的性能，进而影响用户体验。同样，评估系统和应用的性能与可靠性，不能只采用传统的正常运行时间指标，还需要考虑更多因素。可靠性还取决于服务水平。
系统和应用由基础设施、API、安全、工作流、逻辑和数据等众多组件构成。这些组件为特定目的组合在一起，但仅仅处于“运行”状态并不能确保可靠性。正如前文的灯具比喻，必须能够评估所有组件，才能确认性能和体验是否达到理想水平。对于实体企业，只需沿着“客户路径”体验一遍，或许就能发现服务水平的不足；但对于数字化企业，这可能是一项重大挑战。传统企业架构造成业务与IT相互隔离，因此发现问题并找出根本原因并不总是轻松高效。业务负责人可能认为存在问题，但如果一切都处于“运行”状态，负责相关组件的IT团队可能并不认同。站点可靠性工程（SRE）是连接业务与IT的桥梁，通过服务级别目标（SLO）确保业务承诺得到履行。
什么是SRE？
站点可靠性工程起源于21世纪初的Google。Google将其定义为“将运维视为软件问题来处理时所采用的方法”。在我们看来，它既是一套流程、实践和工具，也是一种文化和思维方式，用于构建可靠、高效且可扩展的系统，为业务目标提供支持。
SRE关注的是可靠且可扩展的系统，而不仅仅是可用的系统。之所以还将其视为一种思维方式和文化，是因为它与安全一样，无论担任何种角色，每个人都应为构建高质量的可靠系统作出积极贡献。SRE不仅是一种文化和思维方式，其实践通常也会融入负责端到端交付完整服务的服务团队。这些团队通常负责改进核心系统，并通过监控可用性、延迟、性能和恢复情况来推动创新，同时借助自动化和效率提升实现持续改进。归根结底，他们关注的是整个房间，而不只是确认灯是否亮着。
SRE如何使用SLI来实现SLO
站点可靠性工程定义SLO和SLI（服务级别指标）的衡量标准，以实现业务成果。简而言之，SRE协调开发、安全和运维团队的需求与目标，帮助企业可靠地兑现对客户的承诺。
如果企业承诺用户始终有足够的光线看清正在进行的操作（服务级别），那么一项SLO可以是每10平方英尺的空间内保持一盏灯明亮照明（可用性）。另一项SLO可以是规定的平均恢复时间（MTTR），在本例中即更换已损坏或即将损坏的灯泡所需的时间。SLI则是由站点可靠性工程师和IT团队定义的阈值，用于确保实现SLO，例如监测光通量、流向每盏灯的电流，或用户碰撞或移动灯具所导致的位置细微变化。在应用交付系统中，这些指标可能包括CPU利用率、API调用时间和数据库查询时间等。站点可靠性工程师需要定义会影响业务SLO的SLI衡量指标，并通过调整运营策略和配置，确定指标低于特定阈值时应采取的响应措施。
SRE为现代企业架构带来的优势
度量指标、阈值和响应机制，是SRE与现代企业架构中其他领域的交汇点；该架构旨在为数字化业务交付应用。运营数据（即遥测数据）为SRE所定义的度量指标和阈值提供可观测性。自动化综合运用工具、技术和实践，使站点可靠性工程师能够以更少的重复性工作规模化执行既定响应，从而高效满足数字服务的SLO。数字服务的系统可靠性也有助于提升用户在使用数字化业务时获得良好体验的可能性。
再次强调，SRE发挥桥梁作用，利用所有可用的工具、技术和流程，协同IT与业务部门的工作，使系统不仅保持“运行”，还能确保可靠运行。将SRE纳入企业架构后，企业可以主动维护系统应用，更早发现性能下降或异常情况，以便站点可靠性工程师在用户体验受到影响之前进行调查并解决问题。
要了解如何将SRE融入业务，并为向高效、可扩展的数字化业务转型提供支持，请阅读我们的O’Reilly图书《数字化业务的企业架构》中Julia Renouard撰写的“The Need for Speed”一章。
相关博客文章
2023年应用策略现状：成本与复杂性是推动多云网络发展的首要因素
多云网络解决方案可在核心、云和边缘环境之间实现无缝、安全的互联，为解决当今混合IT面临的挑战提供支持，因而备受业界关注。