SRE的火热程度在当下的互联网企业 IT 行业降本增效大环境中异常突出。

不仅是薪资经常拿来与运维、研发做比较，而且在技术能力拓展和职业天花板的业内讨论中，SRE也在越来越高频出现，在国内企业，企业 IT 研发兼做 SRE 可以，运维做 SRE 也可以，再加上各行业数字化程度的逐渐提高，对 SRE 人才的需求也逐渐推高，非常多企业 IT人也将目光看向SRE，考虑转型方向与职业目标。

SRE站点可靠性工程师据说要花50%的时间来参与与软件运营相关的工作，另外50%的时间用于开发工作，如增加新功能等工作。

既要解决问题、随叫随到和人工干预，又要保证所负责的软件系统需要高度自动化和自我修复，SRE 到底是什么？国内SRE工程师的都在做什么？我们希望通过相关信息的梳理，讲清SRE这件事。

站点可靠性工程的概念由 Google 工程团队的 Ben Treynor Sloss 第一个提出。

SRE维基百科解释为站点可靠性工程（英语：Site reliability engineering，SRE）是一门将软件工程应用于基础设施以及运营的学科，该概念由Google于2003年提出。站点可靠性工程主要目标是创建可扩展和高可用性的软件系统。

Google SRE诞生之初旨在满足Google全球庞大服务的稳定性保障诉求，它的 SRE完整系统与架构是复杂且强大的，不仅具备基础设施的管控能力，还能协调 IT资源的调度，独特且难以复制。

在国内，大家通常默认站点可靠性工程（SRE）是 IT 运维的软件工程方案与负责工程师。SRE 团队使用软件作为工具，来管理系统、解决问题并实现运维任务自动化。非常多的企业SRE部门与传统运维部门职责类似，负责的是互联网服务背后的技术运维工作。部分区别于传统的运维SRE，需要思考在业务研发团队落地SRE，以软件工程的方法论重新定义研发运维，驱动并赋能业务演进。

*阿里云 ECS SRE体系大图 

在执行层面，创建可扩展和高度可靠的软件系统时，SRE 可以帮助企业通过代码管理大型系统，对于管理成千上万台机器的系统管理员（sysadmin）来说，代码更具可扩展性和可持续性。因此，企业在实践 SRE的背景下，标准化和自动化通常是 SRE 工程师们比较重视的部分，比如当下从传统 IT 运维方案迁移至云原生方案的趋势， SRE 也是在不断在追求自动化的同时需要平衡满足企业需求与用户体验。

*阿里云 ECS SRE流程体系建设

在逛了各大厂的 SREJD 之后，我们发现SRE的工作大部分都在平衡软件开发和运维运营之间的差距，以此保障企业能够研发和维护高稳定、可扩展和可靠的系统。

国内的一线互联网公司如BAT、美团也都逐步从组织架构、招聘上均有体现。以阿里、字节为例为例，不同的BU均有设置SRE团队，并且在不同的业务部门，SRE的职责划分也不尽相同。

除此之外，还需要和各条业务线对接，梳理需求、推动项目进展、做好故障预防、故障发现、故障定位、故障恢复、故障改进。虽然SRE专注于确保大规模系统的可用性、性能和效率，但落到企业日常执行层面，通常国内的SRE工作内容还是基于网络的服务或应用程序。

*腾讯SRE平台工程+SRE服务体系驱动业务转型

与开发团队紧密合作，设计、实施和维护高度可靠的系统。使用自动化，监控和主动措施来防止和缓解故障事件，以此实现更高的服务水平目标（SLOs），满足用户期望，保持运维和开发工作之间的平衡是 SRE 的主要工作，通过设置可接受的服务中断的阈值，为系统改进分配资源，同时保持高水平的服务可靠性。

随着云计算的普及，云计算作为基础设施会筛选淘汰过滤掉非常多的机房、网络、OS层面引发的问题，由此SRE的重点必然将转向用软件工程的方法论来重新定义运维，使用自动化来提高效能。

Netflix也曾提出CORE SRE的概念，C是Cloud，Netflix是run on AWS，Cloud是基础。Operation是运维，用少量的SRE支撑大规模服务背后的最核心理念，Netflix给出的实践答案是自动化，这也将是未来的的趋势之一。

SRE 无论是在国内还是国外，目前都算是 DevOps 的实际应用场景。和 DevOps 一样，SRE 和 DevOps 都致力于搭建开发团队和运维团队之间的互通桥梁，以便加快交付服务。

DevOps 是指对企业文化、业务自动化和平台设计等方面进行全方位变革，从而实现迅捷、优质的服务交付，提升企业价值和响应能力。SRE 可视为 DevOps 的实施。DevOps 和 SRE 实践都可以实现更快的应用开发生命周期、改进的服务质量和可靠性，以及缩短的 IT 应用开发时间等优势。

然而，SRE 与 DevOps 有所不同的地方在于，在编码和构建新功能时，DevOps 专注于有效通过开发流程，而 SRE 专注于通过创建新功能来平衡站点可靠性，并且SRE 需要解决通信和工作流程问题的运维背景，兼具开发团队和运维团队的技能。

在国内，SRE 是传统 IT 角色或系统管理角色与 DevOps 交汇的地方。在传统的 IT 环境中，组织可能拥有一组管理复杂系统的系统管理员。重点和责任是确保软件部署得当，为最终用户提供可靠的服务。但是，系统管理员并不关注实际的软件开发，而实际软件开发与系统管理员角色可能会产生分歧。

在这个交汇点，就需要依靠SRE工程师的角色确保开发工作高效可靠，避免意外情况发生。SRE 角色往往是企业 IT的“扫地僧”角色。上一分钟 SRE 可能会在 AWS 中预配存储，下一分钟 SRE 可能需要与客户交谈或为新项目编写一些 Python 代码。

国内互联网行业的快速增长带来了对企业 IT 强大和可扩展系统的众多需求。为了满足这些需求， SRE已经成为国内企业IT部门不可或缺的角色，面对高用户流量、合规管理和激烈的市场竞争，越来越多地企业开始采用SRE实践，建立专门的SRE团队，并将SRE原则纳入其开发流程。

各家SRE团队也在缓解各企业重大 IT事件中做出了示范，确保服务正常运行时间，并提高系统性能。

期待大家在 SRE 领域积累更多适合中国企业的经验，并分享出来。

最后，我们搜集了部分 SRE 面试题以及微博运维团队、七牛云运维团队、阿里巴巴 SRE、搜狗团队、滴滴团队的实践分享资料，有需要的 IT 小伙伴可以私信❤️熊局（ itjuneiren）获取。