摘要：SRE的核心文化，依舊需要各界攜手去探索和發揚。但就像運維所需的確定性那樣，SRE探索對每家企業的未來價值來說，也是充滿確定性的。
本文分享自華為雲社群《雲上的米開朗基羅：在不確定時代，尋找建築般的確定性》，作者： SRE確定性運維。
文藝復興三傑之一的米開朗基羅，被稱為“天才建築師”。其實他一生留下的建築並不多，僅僅有美第奇禮拜堂、卡比多廣場、聖彼得大教堂穹頂等寥寥幾座。但米開朗基羅卻憑藉對建築層次與結構的精妙把握，影響了此後數百年的建築風格。很多人認為，米氏特別擅長在立體的空間與繁雜的結構中，尋求建築的最大確定性。得益於此，像聖彼得大教堂穹頂這樣原本被認為不可能的作品才最終問世——探尋確定性，也就此成為建築設計師的目標之一。
在今天，數字化和雲化正在容納一切。每天，不計其數的硬體連線雲端，軟體完成雲上開發、迭代。這讓雲端變成了一個空前複雜的賽博空間，同時也產生了海量的不確定性。但是，這種不確定性又是必須被治癒和解決的。根據GIV預測，至2025年，全球企業雲技術使用率將達到100%。全面雲化的不可逆趨勢下，企業必須確保自身數字化、智慧化過程中的安全、穩定與可靠。
（華為雲貴安資料中心）
誰來再為全球企業尋得雲時代的確定性呢？答案是運維團隊。
過去，我們普遍認為運維應該是消防員，哪裡著火撲滅哪裡；但在雲時代的浩瀚業務與海量資料面前，這種模式顯然杯水車薪。於是，SRE應運而生，雲服務商和企業使用者開始追尋確定性的運維價值。運維人需要成為“雲上的建築師”，去設計可靠的建築結構，去預知建築可能面臨的種種風險，去構建安全與穩定的結構閉環。
在這樣的背景下，華為雲SRE團隊，是國內成長最快、發展最好的SRE團隊之一。他們不僅肩負起了華為雲業務體系的運維確定性，同時還為行業帶來了充沛的溢位價值。
今天，我們走進華為雲SRE，去了解一個運維人從消防員變成建築師的故事，一個如何成為“雲上的米開朗基羅”的故事。
圖紙之下：不確定性疊加的雲紀元
SRE，即Site Reliability Engineering，站點可用性工程師。這個概念起源於2003年，主要針對傳統IT運維中人工為主的操作模式，希望以整體設計、自動化工具取而代之。簡單來說，SRE的核心就是用軟體而非人工，來解決運維與安全問題。
當時代的鐘擺悄悄迴盪，SRE的價值愈發凸顯了出來。因為在不經然中，我們已經來到了一個不確定性疊加的雲紀元。
一個全雲化的業務與服務系統，究竟會面臨多少安全問題？可能誰也無法給出精準答案。網路異常、軟體故障、流量洪峰、硬體老化、機房斷電，都可能帶來一次運維問題。甚至一次技術人員的崗位調換，都可能造成意想不到的考驗。
而伴隨著雲原生的落地，雲上承載的軟體開發與業務上新更加頻繁。增加新的業務模組，也將考驗現網的穩定性與可靠性。隨著雲上軟體開發與業務迭代成為常態，運維效率會成為考驗運維團隊與運維能力的最大難題。
另一個雲時代的不確定性，來自雲端計算網路急速發展。隨著現網規模的不斷壯大，雲服務體系連線的計算節點、使用者節點都在不斷增多，同時參加運維的人員規模也在不斷增加。這種網路規模擴張，讓運維不確定性呈現出幾何級增長。傳統意義上“頭疼醫頭，腳疼醫腳”的運維模式，將難以抵禦網路規模的海量衝擊。
這種情況下，就需要有一種工程性的方法，可以在承認這種不確定性的前提下，依舊能夠保障雲服務體系的穩定可靠。比如說，讓運維能力參與到前端設計中來；強化執行中的動態風險治理；建設高可用，可用容納故障與風險的業務架構——這些方法的統合，就是SRE。
或許可以這樣理解，SRE就像是在充滿不確定性的雲時代，畫上一張確定性的建築圖紙。它不是具體解決哪個運維安全問題，而是帶來宏觀的安全與可靠。
華為雲SRE，就是看到了這種必然趨勢，同時積極進行了嘗試與探索。
建築師的眼與手：先一步成長的華為雲SRE
未來，雲端計算將會像水、電一樣觸手可及，隨取隨得。這個結論可以推匯出一個必然：雲端計算體系，必須像電網、水網一樣安全可靠。如今，我們再也不會常備蠟燭，預防停電。這背後的努力，是電網進行了大量運維工作來保障高可用——雲端計算也將如此。
在華為雲的眼中，這個結論清晰可見。於是華為雲自成立的那一天起，就成立了SRE團隊。SRE負責維護華為雲的整體質量，看護整個雲端計算網路的安全與穩定執行。
（在新華社智庫《中國雲端計算創新活力報告》中，華為雲斬獲安全可靠能力排名第一）
如今，華為雲SRE這位建築師，已經用雙手畫出了一張宏偉的“確定性”建築圖紙。在全球範圍內，支撐著華為雲在全球170多個國家和地區，超過240個雲服務、370萬開發者和海量企業業務，以及百萬級別的節點例項。這樣龐大的業務藍圖，都需要SRE團隊統一參與開發與部署規範，確保上線運維安全。
在這個過程中，華為雲SRE的“看家法寶”，就是構築了華為雲的高可用架構，讓雲服務在產品開發的前端就具備高可靠、高可用特性。整體而言，高可用結構在應對故障時可分為三個維度考量：首先是軟體具有確定性的失效率，確保不會頻繁發生故障，將軟體問題控制在一定範圍之內；其次是給出確定性的恢復時長，明確可以在怎樣的時間之內進行業務恢復；接下來是構築確定性的爆炸半徑，確保單點的故障擴散範圍有限，隻影響到很小的範圍，而不影響整體業務。
在這樣的架構下，最終華為雲SRE實現了將可靠性、可恢復性、影響範圍控制的特性全面融入，真正面向萬千企業提供安全、可靠、高質量的服務承諾。從實際結果來看，在近幾年華為雲業務高速發展的同時，其出現的故障機率與故障烈度顯著低於全球主流雲廠商。或許可以說，華為雲SRE的運維能力做到了與公司業務規模一同成長，甚至先一步成長。
米開朗基羅的“溢位”效應：讓千萬企業從SRE中受益
我們知道，數字化技術會在發展到一定程度時，出現明顯的“溢位”效應。比如說數字化價值賦能，就從虛擬經濟溢位到實體經濟，帶來了“數實融合”的發展契機。
對於華為雲SRE“建築師”們而言，其也在雲上運維的探索上展現出了明顯的“溢位”效應。
華為雲SRE的基礎價值，就是透過確保華為雲服務與網路的穩定，帶給客戶更好、更優質的雲體驗，尤其是在Devops 的場景下，保障了華為雲使用者敏捷創新、快速迭代的開發模式。讓使用者不僅能夠上雲，還可以有質量地用雲、有保障地用好雲。
再向前走一步，華為雲SRE透過服務客戶與無數應用的經驗總結，提出了“確定性運維”的發展方向與方法論，繼而梳理出適用於雲上業務的“確定性運維”能力體系和成熟度模型，供千行百業的企業進行參考。
這一業界獨有“確定性運維”能力體系成熟度模型包含：第一級基本運維，即基礎運維的能力構建，以此確保業務基本生存；第二級標準化運維，其能夠將運維帶到更加規律、規範的發展階段，確保業務的穩定可靠；第三級SRE轉型，意味著運維團隊開始從“消防員”轉型為“建築師”，開始勾勒整體的確定性運維藍圖；在第四級，企業獲得SRE帶來的初步確定性，而到第五級企業將獲得高度確定性。
在可見的未來，大部分企業都會上雲，每一家企業都需要開發、運營軟體的時代裡，確定性運維可以說是一種剛性需求。即使每家企業的業務訴求與業務種類不同，但對穩定可靠的追求其實是高度統一的。
面向這一趨勢，華為雲SRE的一系列自我成長，都可以變成賦能萬千企業的成熟價值。比如，透過智慧運維工具提升組織的效率和可靠性；透過全質量管理的流程理念，形成組織人員管理的可控性；運維團隊變成設計師，參與前端標準設計，構築高可用架構。
這些由華為雲SRE綜合和探索出的技術與方法，或許是每一家企業的決策者、管理者，都應該看到的現實價值。
在全雲化紀元，每家企業都需要運維能力的提升，那或許每家企業也都可以成為“雲上的米開朗基羅”。SRE的核心文化，依舊需要各界攜手去探索和發揚。但就像運維所需的確定性那樣，SRE探索對每家企業的未來價值來說，也是充滿確定性的。