📚 课程目录第2章 On-Call值班体系设计

2. On-Call 值班体系设计：轮值模型、值班表生成策略与时区覆盖

On-Call 值班体系是事故响应流程的“第一道防线”。一个设计良好的轮值模型需要平衡响应速度、工程师疲劳度、技能覆盖与全球时区差异。本章从轮值层级、排班算法、时区与节假日处理三个核心维度展开。

2.1 轮值模型：初级 / 高级 / 专家三级架构

现代 SRE 团队通常采用 三级轮值模型，每一级承担不同的职责范围与升级路径。下表对比了三级的核心差异：

维度	初级 (L1)	高级 (L2)	专家 (L3)
职责范围	一线告警确认、标准操作流程 (SOP) 执行、常见故障恢复	复杂故障诊断、跨系统协调、临时变更决策	架构级故障、重大事故 (SEV0/1) 指挥、根因分析
响应 SLA	5 分钟内确认，15 分钟内执行恢复操作	10 分钟内介入，30 分钟内给出诊断方向	按需介入，通常 15 分钟内上线指挥
技能要求	熟悉监控工具、基础运维命令、重启/回滚操作	掌握分布式系统原理、数据库/中间件排错、变更风险评估	精通系统架构、容量规划、灾备设计、跨团队协调
值班周期	7×24 小时轮班，每班 8-12 小时	7×24 小时轮班，每班 12 小时或全天待命	仅重大事故升级时介入，不参与常规轮值
升级路径	无法解决 → 升级至 L2	无法解决或需架构决策 → 升级至 L3	无升级对象，直接指挥事故响应

设计建议： L1 与 L2 的比例建议保持在 3:1 到 4:1 之间。L3 通常由团队 Tech Lead 或架构师兼任，不单独设立值班序列，以避免疲劳与单点依赖。

三级模型的核心价值在于：隔离噪音（L1 过滤 80% 的常规告警）、保留深度思考时间（L2/L3 不被频繁打断）、明确升级路径（减少事故响应中的混乱与决策延迟）。

2.2 值班表生成策略

值班表生成需要同时满足 公平性（每人值班次数均等）、连续性（避免频繁交接）、技能匹配（复杂时段安排高级别工程师）三个约束。以下是两种主流生成策略：

2.2.1 固定周期轮转法

原理： 将团队按人数分成若干小组，每组连续值班 1 周（或 2 周），然后整体轮换。
优点： 排班简单、交接次数少、值班周期内上下文连续。
缺点： 周末/节假日值班不公平，长期固定周期容易产生疲劳。
适用场景： 团队人数 >= 6 人，且时区集中。

2.2.2 算法优化排班法

原理： 使用约束求解器（如 OptaPlanner、Google OR-Tools）或自定义评分算法，将历史值班次数、个人偏好、节假日权重、技能等级作为输入，自动生成最优排班表。
优点： 公平性可量化、支持复杂约束（如“某人某天不可用”）、自动平衡周末与节假日。
缺点： 初始配置复杂，需要维护人员可用性日历。
适用场景： 团队人数 >= 15 人，跨时区，或对公平性要求极高。

  关键指标： 值班表质量通常用 Gini 系数 衡量——统计每人每月非工作时间（周末/节假日）值班次数，Gini 系数 < 0.2 视为优秀，< 0.3 视为可接受。

以下 SVG 展示了从人员数据到值班表生成的完整流程：

2.3 时区覆盖与节假日处理

对于跨时区团队，时区覆盖设计直接影响事故响应速度与工程师生活质量。以下是三种常见覆盖模型：

模型	描述	优点	缺点
日间本地覆盖	每个时区只覆盖当地白天时段（如 8:00-20:00），夜间由其他时区接力	工程师无需夜间值班，生活质量高	需要至少 3 个时区才能实现 7×24 覆盖
全时区轮转	所有工程师按固定周期轮换所有时段，不区分时区	排班简单，公平性高	部分工程师需在非工作时间值班，时差适应成本高
混合模型	核心时区（如 UTC+8）覆盖本地白天，边缘时区（如 UTC-5）覆盖本地白天，夜间时段由少数“夜猫子”工程师或外包 NOC 覆盖	兼顾覆盖与生活质量，适合 2-3 个时区团队	需要额外管理边缘时区的人力成本

常见陷阱： 不要试图让一个时区的工程师覆盖另一个时区的“深夜”时段。研究表明，连续 3 天以上跨时区值班会导致事故响应时间增加 40%，误判率上升 25%。

2.3.1 节假日处理策略

法定节假日权重加倍： 在排班算法中，将法定节假日的值班权重设为普通日期的 2-3 倍，确保全年总值班积分公平。
节假日自愿报名 + 轮换池： 建立节假日值班自愿报名池，若报名不足，则按历史节假日值班次数从少到多强制轮换。
跨文化节假日日历： 对于全球团队，维护一份包含所有成员所在地法定节假日的统一日历（如中国春节、美国感恩节、印度排灯节），在排班时自动避开或加权。
事后补偿机制： 节假日值班的工程师可在节后获得 1-2 天调休，或额外值班积分（用于兑换未来免值班机会）。

以下 SVG 展示了全球时区覆盖与节假日处理的逻辑架构：

2.4 值班表生成示例（Python 伪代码）

以下是一个基于约束求解的简化排班逻辑，展示了如何将技能等级、时区、节假日权重纳入评分：

# 伪代码：值班表生成核心逻辑
def generate_schedule(engineers, shifts, holidays):
    schedule = {}
    for shift in shifts:
        best_engineer = None
        best_score = float('-inf')
        for eng in engineers:
            # 技能匹配分：L1 只能分配 L1 班次，L2 可分配 L1/L2
            skill_score = 10 if eng.level >= shift.required_level else -100
            # 时区匹配分：本地白天 +20，本地夜间 -50
            tz_score = 20 if is_local_daytime(eng.timezone, shift.start) else -50
            # 节假日权重：节假日值班 +30 积分补偿
            holiday_score = 30 if shift.date in holidays else 0
            # 历史公平性：已值班次数越多，分数越低
            fairness_penalty = -5 * eng.duty_count_last_month
            total = skill_score + tz_score + holiday_score + fairness_penalty
            if total > best_score:
                best_score = total
                best_engineer = eng
        schedule[shift] = best_engineer
        best_engineer.duty_count_last_month += 1
    return schedule

工程实践： 上述伪代码中的权重参数（10、20、-50、30、-5）需要根据团队实际反馈进行调优。建议每季度收集一次工程师满意度调查，调整权重系数，使 Gini 系数持续保持在 0.2 以下。

2.5 值班体系健康度检查清单

检查项	健康标准	检查频率
值班表 Gini 系数	< 0.2	每月
L1 升级率	< 20%（即 L1 独立解决 80% 以上告警）	每周
节假日值班覆盖率	100%（所有法定节假日均有指定值班人员）	节前 2 周
工程师值班疲劳度	连续值班不超过 7 天，每月夜班不超过 5 次	每月
时区覆盖盲区	无超过 2 小时的无人值守窗口	每日自动巡检

值班体系设计不是一次性工作，而是一个持续迭代的过程。建议每季度进行一次轮值模型回顾，根据事故响应数据、工程师反馈、业务增长情况调整轮值周期、升级阈值与时区覆盖策略。