1. SRE 成熟度模型概述
1.1 SRE 起源与核心原则
站点可靠性工程（Site Reliability Engineering, SRE）起源于 2003 年左右的 Google，由 Ben Treynor Sloss 提出，旨在用软件工程方法解决大规模运维难题。SRE 的核心思想是：将运维视为软件工程问题，通过自动化、量化指标和风险预算来管理生产环境。
核心原则：
- 拥抱风险（Embrace Risk）：系统不可能 100% 可用，通过错误预算（Error Budget）在可靠性与创新速度之间做量化决策。
- 服务等级目标（SLO）驱动：用 SLI（指标）→ SLO（目标）→ 错误预算 的闭环驱动运维决策。
- 减少重复劳动（Toil Reduction）：将手动、重复、可自动化的运维工作视为 Toil，目标是将 Toil 控制在 50% 以下。
- 自动化优先（Automation First）：用代码替代人工操作，消除“英雄文化”。
- 监控与可观测性（Monitoring & Observability）：基于白盒监控、分布式追踪和日志，实现快速故障定位。
- 变更管理（Change Management）：渐进式发布、金丝雀部署、回滚自动化，降低变更风险。
1.2 成熟度模型定义
SRE 成熟度模型是一套评估组织在可靠性工程实践方面所处阶段的框架。它帮助团队从“救火式运维”逐步演进到“数据驱动、自动化运营”的成熟状态。通常分为五个等级：
| 等级 | 名称 | 典型特征 |
|---|---|---|
| L1 | 初始级（Ad Hoc） | 无 SLO 定义，故障靠人工救火，无自动化，变更无审批流程 |
| L2 | 可重复级（Repeatable） | 有基本监控告警，部分操作有文档，开始定义 SLI/SLO |
| L3 | 已定义级（Defined） | SLO 驱动决策，错误预算机制建立，自动化覆盖 30% 以上 Toil |
| L4 | 量化管理级（Quantitatively Managed） | 容量规划自动化，成本与可靠性量化平衡，变更风险自动评估 |
| L5 | 优化级（Optimizing） | 自愈系统，容量与成本动态优化，全链路可观测，持续改进文化 |
评估价值：成熟度模型不是“打分排名”，而是帮助团队识别当前短板，制定可量化的改进路线图。例如，从 L2 到 L3 的关键里程碑是“建立错误预算机制并用于决策”。
1.3 评估维度总览
SRE 成熟度评估覆盖四个核心维度：可靠性、效率、成本、安全。每个维度下包含若干关键实践域。
1.4 四维度关键实践域
每个维度下包含若干关键实践域，评估时需逐项打分：
| 维度 | 关键实践域 | L1（初始） | L3（已定义） | L5（优化） |
|---|---|---|---|---|
| 可靠性 | SLI/SLO 定义、错误预算、故障演练、灾备恢复 | 无 SLO | SLO 驱动 On-Call | 自愈 + 混沌工程 |
| 效率 | Toil 占比、自动化覆盖率、部署频率、MTTR | Toil > 70% | Toil < 50% | Toil < 20% |
| 成本 | 容量规划、资源利用率、FinOps、预留实例管理 | 无成本监控 | 按需扩缩容 | 动态容量优化 |
| 安全 | 变更审批、访问控制、漏洞管理、合规审计 | 无安全流程 | 自动化审批 | 零信任 + 持续合规 |
常见误区：不要只关注“可靠性”维度而忽略成本和安全。一个成熟的 SRE 体系必须在四个维度之间取得平衡。例如，过度追求 99.999% 可用性可能导致成本失控，而忽略安全则可能引发灾难性故障。
1.5 评估流程概览
一次完整的 SRE 成熟度评估通常包含以下步骤：
- 确定评估范围：选择目标服务或团队，明确评估边界。
- 数据采集：通过问卷、访谈、监控数据、工单系统、部署日志等方式收集现状。
- 逐项打分：按四维度下的实践域，对照 L1-L5 标准进行评分。
- 生成画像：形成雷达图或矩阵图，直观展示各维度成熟度。
- 制定改进计划：基于短板项，输出可量化的改进路线图（Roadmap）。