3. Runbook 基础概念：定义、分类与生命周期
Runbook（运维手册）是 SRE 实践中的核心可执行文档，它将运维知识、操作步骤与自动化工具绑定，使团队能够以标准化方式响应各类事件。在 SLO 自愈流程中，Runbook 是故障检测与自动化修复之间的“执行层”——它定义了“当 SLO 违反时，系统应该执行什么操作”。
3.1 Runbook 的定义
Runbook 是一份结构化的操作指南，包含触发条件、前置检查、执行步骤、回滚方案与验证标准。它既可以是人工执行的检查清单，也可以是直接触发自动化脚本的编排文件。
核心特征：
- 可重复性：同一故障场景下，不同工程师执行同一 Runbook 应得到相同结果。
- 可测量性：每个步骤都有明确的输入、输出与成功标准。
- 可自动化：步骤应尽量设计为机器可执行，减少人工判断。
- 版本化：Runbook 随系统架构变更而更新，与代码仓库绑定。
3.2 Runbook 的分类
根据运维场景的不同，Runbook 可分为三大类：故障处理、变更操作与日常巡检。下表对比了三类 Runbook 的核心差异：
| 分类 | 触发方式 | 执行频率 | 典型场景 | 自动化程度 |
|---|---|---|---|---|
| 故障处理 | 告警事件 / SLO 违反 | 按需（突发） | 服务宕机、延迟飙升、错误率突增 | 高（自动隔离/自愈） |
| 变更操作 | 计划任务 / 审批通过 | 定期或按计划 | 版本发布、配置更新、扩缩容 | 中（半自动+人工审批） |
| 日常巡检 | 定时调度 / 人工触发 | 高频（每日/每小时） | 健康检查、日志清理、证书过期检查 | 高（全自动） |
设计建议：在 SLO 自愈流程中，故障处理类 Runbook 是核心联动对象。建议将故障处理 Runbook 的触发条件直接绑定到 SLO 燃烧速率告警，实现“检测即执行”。
3.3 Runbook 的生命周期
一个 Runbook 从创建到废弃，通常经历五个阶段。下图展示了 Runbook 的完整生命周期及各阶段的关键活动：
3.4 各阶段详细说明
- 设计阶段：明确 Runbook 的触发条件（如：错误率 > 5% 持续 3 分钟）、输入参数（实例 IP、集群名称）、预期输出（恢复确认、日志记录）以及失败时的回滚策略。
- 编写阶段：将设计转化为可执行步骤。推荐使用版本控制（Git）管理 Runbook 文件，每个 Runbook 包含元数据头（名称、版本、责任人）和步骤列表。
- 测试阶段：在隔离的沙箱或预发环境中执行 Runbook，验证每一步的幂等性和边界条件。测试通过后，标记为“就绪”状态。
- 运行阶段：Runbook 被事件触发或人工调用。执行过程中记录每个步骤的耗时、输出和状态，生成执行报告。
- 优化阶段：基于执行报告中的失败步骤、超时步骤或人工干预记录，迭代更新 Runbook 内容，形成闭环。
常见陷阱：Runbook 编写后不测试直接上线，或测试环境与生产环境差异过大，导致生产执行失败。建议在 CI/CD 流水线中集成 Runbook 的自动化测试步骤。
3.5 Runbook 与 SLO 自愈的联动关系
在 SLO 自愈流程中，Runbook 处于“检测”与“恢复”的中间层。下图展示了 Runbook 如何与 SLO 监控、告警引擎和自动化执行引擎协同工作：
通过这种联动架构，Runbook 不再是一份静态文档，而是 SLO 自愈流程中的“执行单元”。每个 Runbook 对应一个已知故障模式，当 SLO 指标触发阈值时，系统自动选择并执行对应的 Runbook，实现故障的快速隔离与恢复。