1. 课程导论：SLO自愈与Runbook联动的核心理念
1.1 为什么需要SLO自愈？
现代分布式系统的复杂性已远超人工运维的极限。当故障发生时，传统的“告警→人工登录→排查→恢复”链路存在三个致命短板：
- 响应延迟：从告警触发到人工介入，平均MTTR（平均修复时间）超过15分钟，而用户感知的SLO（服务等级目标）违约往往在3-5分钟内发生。
- 操作不一致：不同值班工程师对同一故障的处理步骤、判断逻辑、恢复手段存在差异，导致恢复质量不可控。
- 认知过载：告警风暴期间，工程师难以在短时间内从数百条告警中定位根因，并匹配正确的恢复动作。
SLO自愈的核心思想是：将SLO作为故障检测的“金标准”，将Runbook作为恢复动作的“标准化剧本”，通过自动化联动实现“检测→决策→执行→验证”的闭环，从而在SLO违约之前或违约初期完成自动恢复。
1.2 核心理念：Runbook联动
Runbook联动不是简单的“告警触发脚本”，而是一种状态驱动的自动化编排模式。其核心理念包含三个层次：
| 层次 | 说明 | 关键能力 |
|---|---|---|
| 检测层 | 基于SLO指标（延迟、错误率、吞吐量）实时计算燃烧速率，判断是否进入违约窗口 | 多窗口燃烧率算法、指标降噪、异常检测 |
| 决策层 | 根据SLO违约等级匹配预定义的Runbook模板，并注入上下文参数（故障域、影响范围） | Runbook匹配引擎、上下文感知、依赖拓扑 |
| 执行层 | 自动化执行Runbook中的步骤序列，包括重启、扩缩容、流量切换、配置回滚等 | 幂等执行、回滚保护、执行状态追踪 |
关键认知： Runbook联动的本质是将“人的经验”转化为“机器的决策树”，让自动化系统在SLO违约的黄金窗口期内，以标准化、可审计的方式完成故障恢复。
1.3 SLO自愈流程全景图
下图展示了基于Runbook联动的SLO自愈流程的核心架构与数据流转：
1.4 课程目标
完成本课程后，学员将具备以下能力：
- 设计SLO自愈策略：能够根据业务SLO定义燃烧率阈值、违约窗口和自愈触发条件。
- 构建Runbook联动体系：掌握Runbook的标准化编写规范、版本管理和自动化编排技术。
- 实现故障自愈闭环：从指标采集、违约判定、Runbook匹配到恢复验证的全链路自动化。
- 建立可观测性反馈：通过自愈执行记录、SLO恢复率、Runbook成功率等指标持续优化流程。
1.5 适用人群
| 角色 | 前置知识要求 | 课程收益 |
|---|---|---|
| SRE工程师 | 熟悉SLO/SLI概念、有故障处理经验 | 掌握自动化自愈架构设计方法 |
| 运维开发工程师 | 具备Python/Go编程能力、了解CI/CD | 学会Runbook编排与自动化执行引擎开发 |
| 平台架构师 | 了解分布式系统架构、有微服务治理经验 | 获得SLO驱动运维的顶层设计思路 |
| 技术管理者 | 对SRE体系有宏观认知 | 明确自愈流程的ROI与落地路径 |
建议： 如果你是SRE初学者，建议先学习《SLO与错误预算基础》课程；本课程默认学员已掌握SLO/SLI的基本概念。
1.6 课程内容概览
本课程共30章，分为五个模块：
- 模块一（第1-5章）：SLO自愈基础与Runbook标准化
- 模块二（第6-12章）：自愈检测层设计与燃烧率算法
- 模块三（第13-20章）：Runbook联动引擎与自动化执行
- 模块四（第21-26章）：自愈验证、回滚与可观测性
- 模块五（第27-30章）：生产落地案例与最佳实践
每个模块均包含理论讲解、代码实战和故障模拟演练，确保学员能够将知识转化为实际运维能力。