4. 初始级（Level 1）值班台现状：人工值守、无自助服务、权限管理混乱、依赖个人经验
初始级（Level 1）是 SRE 值班台成熟度的最低阶段，也是大多数传统运维团队或刚刚开始 SRE 转型的组织所处的状态。在这一阶段，值班台完全依赖人工操作，缺乏自动化工具和标准化流程，安全权限管理处于失控边缘。以下从四个核心维度详细剖析初始级值班台的典型特征与风险。
4.1 核心特征矩阵
| 维度 | 典型表现 | 直接后果 |
|---|---|---|
| 值守方式 | 7×24 人工电话/IM 值守，无机器人或自动化响应 | 响应延迟高，非工作时间故障处理效率极低 |
| 自助服务 | 完全不存在自助服务入口，所有请求必须人工介入 | 值班人员被大量重复性低价值请求淹没 |
| 权限管理 | 无统一权限体系，账号共享、权限泛化、审批缺失 | 安全审计空白，存在严重的数据泄露和误操作风险 |
| 知识传承 | 完全依赖个人经验，无文档或知识库，或文档严重过时 | 人员离职或请假时值班能力断崖式下降 |
4.2 人工值守的典型流程与痛点
初始级值班台的工作流通常如下：
- 告警接收：通过个人手机、微信群或邮件接收告警，无统一告警平台。
- 人工判断：值班人员根据个人经验判断告警级别和影响范围，无标准化定级规则。
- 手动排查：SSH 登录服务器、查看日志、执行命令，所有操作无审计记录。
- 口头传递：需要升级时通过电话或 IM 口头描述问题，信息丢失严重。
- 事后补录：故障解决后手工填写工单或根本不记录。
典型场景案例： 某电商平台凌晨 2:00 数据库连接池耗尽。值班人员 A 被电话叫醒后，凭记忆 SSH 到三台数据库服务器逐一检查连接数，手动执行 kill 命令清理僵死连接。整个过程耗时 45 分钟，期间未记录任何操作日志。第二天复盘时，A 已记不清具体执行了哪些命令，导致后续优化无从下手。
4.3 权限管理混乱的四种典型表现
- 共享账号泛滥：root、admin、dba 等超级账号被多人共用，无法追溯具体操作人。
- 权限泛化：普通值班人员拥有生产环境全部服务器的 sudo 权限，甚至包含删除数据库、修改网络配置等高危能力。
- 审批缺失：权限申请无流程，口头沟通即可开通，且开通后从不回收。
- 无最小权限原则：所有值班人员默认拥有相同权限，未按角色、职责、时间窗口进行细粒度划分。
安全风险提示： 初始级权限管理下，一次误操作（如 rm -rf /、DROP DATABASE）可能导致全站瘫痪，且由于无审计日志，事后无法定位责任人。这是 SRE 值班台最需要优先解决的隐患。
4.4 依赖个人经验的知识断层
初始级值班台的知识传承方式极为脆弱：
- 口头传承：新人通过“跟班”学习，老员工口头传授操作技巧。
- 个人笔记：每位值班人员有自己的私人笔记或脚本，格式、内容、质量参差不齐。
- 无标准化 Runbook：故障处理流程没有书面化，同一类故障不同人的处理方式可能完全不同。
- 单点故障：关键知识仅存在于 1-2 名资深员工脑中，一旦他们请假或离职，值班能力急剧下降。
4.5 初始级值班台风险全景图
下图展示了初始级值班台各要素之间的风险传导关系：
4.6 初始级向下一级跃迁的关键指标
要脱离初始级，组织必须在以下指标上取得突破：
| 指标 | 初始级典型值 | 目标值（迈向 Level 2） |
|---|---|---|
| 告警响应时间（P1） | > 30 分钟 | < 15 分钟 |
| 自助服务覆盖率 | 0% | > 20% 的重复请求可自助 |
| 权限审计覆盖率 | 0%（无审计） | > 50% 的操作可追溯 |
| 标准化 Runbook 覆盖率 | < 10% | > 40% |
| 值班人员单点故障风险 | 高（1-2 人掌握核心知识） | 中（至少 3 人可独立处理） |
改进起点建议： 从“权限管理混乱”入手最容易获得安全收益且阻力较小。建议优先实施：① 废除共享 root 账号，为每位值班人员分配独立账号；② 实施操作审计日志（如使用 auditd、堡垒机）；③ 建立最小权限原则，按角色分配权限。这三项措施可在 2-4 周内显著降低安全风险，为后续自助服务建设奠定基础。