一文带你走近华为云SRE

文艺复兴三杰之一的米开朗基罗，被称为“天才建筑师”。其实他一生留下的建筑并不多，仅仅有美第奇礼拜堂、卡比多广场、圣彼得大教堂穹顶等寥寥几座。但米开朗基罗却凭借对建筑层次与结构的精妙把握，影响了此后数百年的建筑风格。很多人认为，米氏特别擅长在立体的空间与繁杂的结构中，寻求建筑的最大确定性。得益于此，像圣彼得大教堂穹顶这样原本被认为不可能的作品才最终问世——探寻确定性，也就此成为建筑设计师的目标之一。

在今天，数字化和云化正在容纳一切。每天，不计其数的硬件连接云端，软件完成云上开发、迭代。这让云端变成了一个空前复杂的赛博空间，同时也产生了海量的不确定性。但是，这种不确定性又是必须被治愈和解决的。根据GIV预测，至2025年，全球企业云技术使用率将达到100%。全面云化的不可逆趋势下，企业必须确保自身数字化、智能化过程中的安全、稳定与可靠。

谁来再为全球企业寻得云时代的确定性呢？答案是运维团队。

过去，我们普遍认为运维应该是消防员，哪里着火扑灭哪里；但在云时代的浩瀚业务与海量数据面前，这种模式显然杯水车薪。于是，SRE应运而生，云服务商和企业用户开始追寻确定性的运维价值。运维人需要成为“云上的建筑师”，去设计可靠的建筑结构，去预知建筑可能面临的种种风险，去构建安全与稳定的结构闭环。

在这样的背景下，华为云SRE团队，是国内成长最快、发展最好的SRE团队之一。他们不仅肩负起了华为云业务体系的运维确定性，同时还为行业带来了充沛的溢出价值。

今天，我们走进华为云SRE，去了解一个运维人从消防员变成建筑师的故事，一个如何成为“云上的米开朗基罗”的故事。

图纸之下：不确定性叠加的云纪元

SRE，即Site Reliability Engineering，站点可用性工程师。这个概念起源于2003年，主要针对传统IT运维中人工为主的操作模式，希望以整体设计、自动化工具取而代之。简单来说，SRE的核心就是用软件而非人工，来解决运维与安全问题。

当时代的钟摆悄悄回荡，SRE的价值愈发凸显了出来。因为在不经然中，我们已经来到了一个不确定性叠加的云纪元。

一个全云化的业务与服务系统，究竟会面临多少安全问题？可能谁也无法给出精准答案。网络异常、软件故障、流量洪峰、硬件老化、机房断电，都可能带来一次运维问题。甚至一次技术人员的岗位调换，都可能造成意想不到的考验。

而伴随着云原生的落地，云上承载的软件开发与业务上新更加频繁。增加新的业务模块，也将考验现网的稳定性与可靠性。随着云上软件开发与业务迭代成为常态，运维效率会成为考验运维团队与运维能力的最大难题。

另一个云时代的不确定性，来自云计算网络急速发展。随着现网规模的不断壮大，云服务体系连接的计算节点、用户节点都在不断增多，同时参加运维的人员规模也在不断增加。这种网络规模扩张，让运维不确定性呈现出几何级增长。传统意义上“头疼医头，脚疼医脚”的运维模式，将难以抵御网络规模的海量冲击。

这种情况下，就需要有一种工程性的方法，可以在承认这种不确定性的前提下，依旧能够保障云服务体系的稳定可靠。比如说，让运维能力参与到前端设计中来；强化运行中的动态风险治理；建设高可用，可用容纳故障与风险的业务架构——这些方法的统合，就是SRE。

或许可以这样理解，SRE就像是在充满不确定性的云时代，画上一张确定性的建筑图纸。它不是具体解决哪个运维安全问题，而是带来宏观的安全与可靠。

华为云SRE，就是看到了这种必然趋势，同时积极进行了尝试与探索。

建筑师的眼与手：先一步成长的华为云SRE

未来，云计算将会像水、电一样触手可及，随取随得。这个结论可以推导出一个必然：云计算体系，必须像电网、水网一样安全可靠。如今，我们再也不会常备蜡烛，预防停电。这背后的努力，是电网进行了大量运维工作来保障高可用——云计算也将如此。

在华为云的眼中，这个结论清晰可见。于是华为云自成立的那一天起，就成立了SRE团队。SRE负责维护华为云的整体质量，看护整个云计算网络的安全与稳定运行。

（在新华社智库《中国云计算创新活力报告》中，华为云斩获安全可靠能力排名第一）

如今，华为云SRE这位建筑师，已经用双手画出了一张宏伟的“确定性”建筑图纸。在全球范围内，支撑着华为云在全球170多个国家和地区，超过240个云服务、370万开发者和海量企业业务，以及百万级别的节点实例。这样庞大的业务蓝图，都需要SRE团队统一参与开发与部署规范，确保上线运维安全。

在这个过程中，华为云SRE的“看家法宝”，就是构筑了华为云的高可用架构，让云服务在产品开发的前端就具备高可靠、高可用特性。整体而言，高可用结构在应对故障时可分为三个维度考量：首先是软件具有确定性的失效率，确保不会频繁发生故障，将软件问题控制在一定范围之内；其次是给出确定性的恢复时长，明确可以在怎样的时间之内进行业务恢复；接下来是构筑确定性的爆炸半径，确保单点的故障扩散范围有限，只影响到很小的范围，而不影响整体业务。

在这样的架构下，最终华为云SRE实现了将可靠性、可恢复性、影响范围控制的特性全面融入，真正面向万千企业提供安全、可靠、高质量的服务承诺。从实际结果来看，在近几年华为云业务高速发展的同时，其出现的故障概率与故障烈度显著低于全球主流云厂商。或许可以说，华为云SRE的运维能力做到了与公司业务规模一同成长，甚至先一步成长。

米开朗基罗的“溢出”效应：让千万企业从SRE中受益

我们知道，数字化技术会在发展到一定程度时，出现明显的“溢出”效应。比如说数字化价值赋能，就从虚拟经济溢出到实体经济，带来了“数实融合”的发展契机。

对于华为云SRE“建筑师”们而言，其也在云上运维的探索上展现出了明显的“溢出”效应。

华为云SRE的基础价值，就是通过确保华为云服务与网络的稳定，带给客户更好、更优质的云体验，尤其是在Devops 的场景下，保障了华为云用户敏捷创新、快速迭代的开发模式。让用户不仅能够上云，还可以有质量地用云、有保障地用好云。

再向前走一步，华为云SRE通过服务客户与无数应用的经验总结，提出了“确定性运维”的发展方向与方法论，继而梳理出适用于云上业务的“确定性运维”能力体系和成熟度模型，供千行百业的企业进行参考。

这一业界独有“确定性运维”能力体系成熟度模型包含：第一级基本运维，即基础运维的能力构建，以此确保业务基本生存；第二级标准化运维，其能够将运维带到更加规律、规范的发展阶段，确保业务的稳定可靠；第三级SRE转型，意味着运维团队开始从“消防员”转型为“建筑师”，开始勾勒整体的确定性运维蓝图；在第四级，企业获得SRE带来的初步确定性，而到第五级企业将获得高度确定性。

在可见的未来，大部分企业都会上云，每一家企业都需要开发、运营软件的时代里，确定性运维可以说是一种刚性需求。即使每家企业的业务诉求与业务种类不同，但对稳定可靠的追求其实是高度统一的。

面向这一趋势，华为云SRE的一系列自我成长，都可以变成赋能万千企业的成熟价值。比如，通过智能运维工具提升组织的效率和可靠性；通过全质量管理的流程理念，形成组织人员管理的可控性；运维团队变成设计师，参与前端标准设计，构筑高可用架构。

这些由华为云SRE综合和探索出的技术与方法，或许是每一家企业的决策者、管理者，都应该看到的现实价值。

在全云化纪元，每家企业都需要运维能力的提升，那或许每家企业也都可以成为“云上的米开朗基罗”。SRE的核心文化，依旧需要各界携手去探索和发扬。但就像运维所需的确定性那样，SRE探索对每家企业的未来价值来说，也是充满确定性的。

审核编辑黄宇