高性能之道：SRE視角下的運(yùn)維架構(gòu)實(shí)踐

目　　錄
開端篇　弱化邊界感
第1章　引言 3
1.1 運(yùn)維架構(gòu)和SRE 3
1.2 理解業(yè)務(wù)，技術(shù)為業(yè)務(wù)服務(wù) 5
1.3 不設(shè)邊界 6
1.4 SRE金字塔 6
1.5 總結(jié) 7
第2章　重視測(cè)試環(huán)境和預(yù)發(fā)布環(huán)境 8
2.1 提效和維穩(wěn)的道門檻——測(cè)試環(huán)境 9
2.1.1 低級(jí)錯(cuò)誤 9
2.1.2 提效分析 10
2.2 “守門員”——預(yù)發(fā)布環(huán)境 11
2.2.1 低級(jí)錯(cuò)誤 11
2.2.2 提效分析 12
2.3 兩大環(huán)境問題根本原因溯源 12
2.4 微拍堂測(cè)試環(huán)境治理思路介紹 13
2.5 總結(jié) 17
監(jiān)控篇　底層邏輯的藝術(shù)
第3章　淺談監(jiān)控系統(tǒng)設(shè)計(jì) 21
3.1 梳理監(jiān)控體系 21
3.2 梳理監(jiān)控指標(biāo) 22
3.3 變更監(jiān)控 25
3.4 準(zhǔn)實(shí)時(shí)系統(tǒng)監(jiān)控 25
3.5 短時(shí)進(jìn)程追蹤工具 27
3.6 全鏈路監(jiān)控 27
3.7 商業(yè)監(jiān)控平臺(tái)的選用建議 28
3.8 監(jiān)控方式：白盒監(jiān)控與黑盒監(jiān)控 29
3.9 從監(jiān)控?cái)?shù)據(jù)中總結(jié)規(guī)律 30
3.10 黃金指標(biāo) 30
3.11 總結(jié) 31
第4章　云原生可觀測(cè)性開源工具——Kindling 32
4.1 行業(yè)現(xiàn)狀 32
4.2 Kindling解決方案——關(guān)聯(lián)內(nèi)核可觀測(cè)性數(shù)據(jù)的Trace 34
4.3 Kindling探針的架構(gòu)設(shè)計(jì)理念 37
4.4 Kindling探針架構(gòu) 38
4.4.1 內(nèi)核態(tài)程序：drivers 38
4.4.2 用戶態(tài)C/C++程序：kindling-probe 38
4.4.3 用戶態(tài)Go程序：kindling-collector 39
4.4.4 程序間通信方式 40
4.5 在線Demo介紹 41
4.6 案例分享 42
4.6.1 安裝 43
4.6.2 功能介紹 44
4.6.3 穩(wěn)定性價(jià)值 47
4.7 總結(jié) 48
第5章　高階實(shí)戰(zhàn)——打造可持續(xù)維護(hù)的閉環(huán)流程 49
5.1 案例：動(dòng)態(tài)觀測(cè)SQL質(zhì)量流程設(shè)計(jì) 50
5.1.1 分析規(guī)范難以落地的原因 50
5.1.2 監(jiān)督與管控流程設(shè)計(jì) 51
5.1.3 通知和統(tǒng)計(jì) 57
5.2 案例：WebP格式圖片的規(guī)范和落地實(shí)踐 57
5.2.1 規(guī)范無法持續(xù)推廣 57
5.2.2 成本和用戶體驗(yàn)上的雙贏 58
5.2.3 計(jì)劃實(shí)施 60
5.2.4 管控機(jī)制 60
5.2.5 采集數(shù)據(jù)信息和數(shù)據(jù)加工處理 60
5.2.6 巡檢平臺(tái)之規(guī)范化監(jiān)督 61
5.3 案例：管道通信規(guī)范化實(shí)踐 62
5.3.1 我們每天都在使用管道 62
5.3.2 管道示例場(chǎng)景及性能說明 64
5.3.3 如何規(guī)范管道使用場(chǎng)景 66
5.4 標(biāo)準(zhǔn)和規(guī)范治理平臺(tái) 67
5.4.1 現(xiàn)狀 68
5.4.2 設(shè)計(jì)思路 68
5.5 總結(jié) 72
第6章　挖掘Nginx的監(jiān)控價(jià)值 73
6.1 URI指紋服務(wù)設(shè)計(jì) 73
6.2 Nginx日志分析指南 76
6.2.1 參數(shù)白名單 76
6.2.2 URI的響應(yīng)時(shí)間和HTTP狀態(tài)監(jiān)控 77
6.2.3 URI響應(yīng)字節(jié)數(shù)波動(dòng)分析 77
6.2.4 查詢URL請(qǐng)求的項(xiàng)目 79
6.2.5 注意HTTPS的透?jìng)?80
6.2.6 利用Nginx完成動(dòng)態(tài)全鏈路比例調(diào)整 81
6.3 總結(jié) 82
故障篇　故障的生命周期
第7章　事前治理的方法論 85
7.1 從故障中總結(jié)經(jīng)驗(yàn) 85
7.2 從系統(tǒng)資源層面和日志中巡檢異常 86
7.3 從標(biāo)準(zhǔn)和規(guī)范中尋找閉環(huán)之路 86
7.4 從業(yè)務(wù)中挖掘基礎(chǔ)服務(wù)的使用問題 87
7.5 技術(shù)風(fēng)險(xiǎn)防控運(yùn)營(yíng)成本 87
7.6 總結(jié) 88
第8章　變更管控設(shè)計(jì)思路 89
8.1 變更管控 89
8.1.1 變更對(duì)象 89
8.1.2 變更發(fā)布 90
8.1.3 變更可灰度 91
8.1.4 變更可回滾 92
8.1.5 變更可監(jiān)控 92
8.1.6 配置項(xiàng)變更 92
8.1.7 變更管控思路 92
8.2 JumpServer使用的藝術(shù)及工單交互 96
8.3 變更三板斧：運(yùn)維團(tuán)隊(duì)的可監(jiān)控、可灰度、可回滾實(shí)踐 98
8.3.1 案例：云服務(wù)器資源伸縮穩(wěn)定性 98
8.3.2 案例：CDN OpenResty的變更策略 102
8.4 總結(jié) 106
第9章　輪值的設(shè)計(jì)思路 107
9.1 值班模式探究 108
9.1.1 讓開發(fā)人員參與其中 108
9.1.2 制定KPI 109
9.1.3 值班人員的邊界探討 110
9.2 值班機(jī)器人 111
9.3 提升值班價(jià)值——SRE需求池設(shè)計(jì) 112
9.3.1 結(jié)合日常巡檢與非值班時(shí)間 112
9.3.2 在煩瑣的工作中收集需求 112
9.4 總結(jié) 113
第10章　故障演練與應(yīng)急預(yù)案 114
10.1 故障演練緣由 114
10.1.1 更好地面對(duì)系統(tǒng)規(guī)模增長(zhǎng)帶來的復(fù)雜性 115
10.1.2 提升故障的排查速度 115
10.1.3 驗(yàn)證應(yīng)急預(yù)案的正確性 115
10.1.4 驗(yàn)證基礎(chǔ)設(shè)施的穩(wěn)定性 116
10.1.5 驗(yàn)證監(jiān)控感知能力 116
10.1.6 驗(yàn)證應(yīng)急流程的順暢度 116
10.2 故障演練流程 116
10.2.1 故障演練場(chǎng)景關(guān)鍵要素 116
10.2.2 故障演練預(yù)期 117
10.3 應(yīng)急預(yù)案 119
10.3.1 應(yīng)急場(chǎng)景標(biāo)準(zhǔn)化 120
10.3.2 梳理應(yīng)急預(yù)案清單 120
10.4 總結(jié) 121
第11章　應(yīng)急響應(yīng)流程實(shí)踐 122
11.1 收攏故障上報(bào)來源 122
11.1.1 從技術(shù)體系內(nèi)部發(fā)現(xiàn) 122
11.1.2 從技術(shù)體系外部發(fā)現(xiàn) 123
11.2 建立應(yīng)急小組 123
11.2.1 人多力量弱 123
11.2.2 穩(wěn)定性接口人和崗位權(quán)限 123
11.2.3 完善客訴標(biāo)準(zhǔn)化術(shù)語 124
11.3 故障噪點(diǎn)治理 124
11.3.1 報(bào)警治理 124
11.3.2 設(shè)計(jì)外部反饋閾值 125
11.3.3 收集第三方抖動(dòng)事件 125
11.4 控制應(yīng)急節(jié)奏 126
11.4.1 舍小保大 126
11.4.2 “優(yōu)先止血”，后續(xù)定位根本原因 127
11.4.3 及時(shí)同步信息，減少信息差 127
11.5 應(yīng)急“止血”的常見操作 127
11.5.1 代碼回滾 127
11.5.2 重啟 128
11.5.3 時(shí)序監(jiān)控下的限流、熔斷、擴(kuò)容 129
11.5.4 業(yè)務(wù)降級(jí) 130
11.5.5 阻斷慢查詢 131
11.5.6 網(wǎng)絡(luò)與運(yùn)營(yíng)商 131
11.5.7 重識(shí)監(jiān)控 132
11.6 總結(jié) 132
第12章　靜態(tài)容災(zāi)降級(jí)系統(tǒng) 133
12.1 荊棘之路 134
12.2 設(shè)計(jì)之路 136
12.3 架構(gòu)流程圖 138
12.3.1 反向代理系統(tǒng) 138
12.3.2 日志分析系統(tǒng) 138
12.3.3 后臺(tái)系統(tǒng)——利用URI指紋服務(wù) 138
12.3.4 爬蟲系統(tǒng) 139
12.3.5 容災(zāi)的緩存系統(tǒng) 140
12.3.6 基于時(shí)間的版本用途 140
12.3.7 異地容災(zāi) 141
12.4 核心代碼解說 142
12.4.1 Ngx_Lua應(yīng)用 142
12.4.2 爬蟲和日志分析系統(tǒng)的關(guān)系 143
12.4.3 完全容災(zāi)和部分容災(zāi)功能 144
12.5 靜態(tài)容災(zāi)的智能關(guān)閉方案 145
12.5.1 從日志分析系統(tǒng)復(fù)制請(qǐng)求 145
12.5.2 利用GoReplay復(fù)制流量 145
12.5.3 利用Nginx的mirror鏡像功能 146
12.5.4 灰度驗(yàn)證容災(zāi)系統(tǒng)緩存——閉環(huán)設(shè)計(jì) 147
12.6 替換爬蟲的新思路 148
12.7 總結(jié) 148
第13章　基于OpenResty的動(dòng)態(tài)限流設(shè)計(jì)思路 150
13.1 常見反向代理限流方案缺點(diǎn)分析 150
13.2 動(dòng)態(tài)限流設(shè)計(jì)思路 151
13.3 多維度限流 154
13.4 智能感知響應(yīng)能力動(dòng)態(tài)控速設(shè)計(jì)方案 157
13.5 屏蔽慢請(qǐng)求帶來的服務(wù)阻塞 159
13.6 總結(jié) 160


第14章　故障復(fù)盤 161
14.1 復(fù)盤前 161
14.2 復(fù)盤中 161
14.3 復(fù)盤后 164
14.4 自省 164
14.5 跨部門分享 165
14.6 故障庫 165
14.7 總結(jié) 165
容量篇　性能與成本間的平衡
第15章　成本優(yōu)化 169
15.1 成本優(yōu)化事前準(zhǔn)備 169
15.1.1 目標(biāo)的制定和價(jià)值體現(xiàn) 170
15.1.2 IT成本與人力成本的權(quán)衡 170
15.1.3 提升對(duì)系統(tǒng)的理解 171
15.1.4 評(píng)估優(yōu)化前后的數(shù)據(jù)統(tǒng)計(jì)及業(yè)務(wù)影響 171
15.1.5 從用戶體驗(yàn)看待成本優(yōu)化 173
15.1.6 梳理業(yè)務(wù)和資源的關(guān)系 173
15.2 公有云基礎(chǔ)資源優(yōu)化實(shí)踐 174
15.2.1 成本管理白皮書 174
15.2.2 合理化資源使用率 177
15.2.3 自建產(chǎn)品和云產(chǎn)品的使用場(chǎng)景優(yōu)化 178
15.2.4 基于業(yè)務(wù)場(chǎng)景的成本控制 179
15.3 總結(jié) 180
第16章　智能伸縮平臺(tái) 181
16.1 彈性伸縮平臺(tái)關(guān)鍵路徑盤點(diǎn) 181
16.2 基礎(chǔ)設(shè)施建設(shè) 182
16.2.1 基于Pod的HPA傳統(tǒng)模式 182
16.2.2 基于Cluster-Autoscaler的Node伸縮 184
16.3 基于業(yè)務(wù)場(chǎng)景的實(shí)戰(zhàn) 189
16.3.1 定時(shí)伸縮 189
16.3.2 基于預(yù)測(cè)的彈性伸縮 191
16.4 風(fēng)險(xiǎn)控制體系 199
16.4.1 動(dòng)態(tài)限流觸發(fā)規(guī)則 199
16.4.2 擴(kuò)容節(jié)點(diǎn)失敗和業(yè)務(wù)降級(jí) 200
16.5 總結(jié) 200
第17章　容量規(guī)劃 201
17.1 容量規(guī)劃現(xiàn)狀 201
17.2 容量規(guī)劃建設(shè)思路 202
17.2.1 建設(shè)核心 202
17.2.2 建設(shè)思路 203
17.3 應(yīng)用系統(tǒng)容量規(guī)劃說明 204
17.4 基于巡檢模式的容量評(píng)估流程 205
17.4.1 對(duì)流量來源的梳理 205
17.4.2 對(duì)容量對(duì)象的梳理 206
17.4.3 收集日常關(guān)鍵性數(shù)據(jù) 207
17.5 對(duì)容量規(guī)劃關(guān)注點(diǎn)的梳理 210
17.5.1 壓力測(cè)試 210
17.5.2 業(yè)務(wù)放量 212
17.5.3 大促活動(dòng) 213
17.5.4 秒殺業(yè)務(wù) 214
17.5.5 關(guān)注運(yùn)營(yíng)活動(dòng)計(jì)劃 214
17.5.6 尖刺限流 215
17.6 總結(jié) 215
第18章　編程能力 216
18.1 養(yǎng)成寫偽代碼的習(xí)慣 216
18.2 養(yǎng)成管理代碼的習(xí)慣 217
18.3 編程能力分級(jí) 218
18.4 編程能力更深層的價(jià)值探討 219
18.4.1 如何看待PHP短連接問題 219
18.4.2 理解Redis和Memcached在業(yè)務(wù)場(chǎng)景上的區(qū)別 220
18.4.3 進(jìn)程、線程、協(xié)程在Linux系統(tǒng)中的表現(xiàn) 221
18.4.4 探究阻塞和非阻塞、異步和同步在系統(tǒng)中的表現(xiàn) 223
18.4.5 共享內(nèi)存 224
18.4.6 嘗試一些導(dǎo)致進(jìn)程崩潰的操作 224
18.4.7 學(xué)習(xí)秒殺系統(tǒng)的業(yè)務(wù)架構(gòu) 225
18.4.8 給自己的代碼做閉環(huán)實(shí)踐 226
18.4.9 參與業(yè)務(wù)開發(fā)日常 226
18.5 熟悉編程語言特性 226
18.6 通過系統(tǒng)分析倒推應(yīng)用配置問題 227
18.6.1 通過access函數(shù)發(fā)現(xiàn)PHP性能問題 227
18.6.2 Java連接池失效 228
18.7 總結(jié) 229
全局視角篇　運(yùn)維破圈
第19章　開啟測(cè)試視角 233
19.1 測(cè)試人員的職責(zé)邊界 233
19.2 壓力測(cè)試 234
19.2.1 壓測(cè)黑名單思維