1. 课程导论：On-Call 轮转的痛点、疲劳度问题的定义、告警疲劳与告警风暴的区别、课程目标与学习路径

1.1 On-Call 轮转的典型痛点

在 SRE 实践中，On-Call 轮转是保障服务连续性的核心机制，但长期运行后往往暴露出以下结构性痛点：

• 响应疲劳：值班工程师在连续多日的高频告警中，逐渐丧失对异常信号的敏感度，导致误判或漏判。
• 睡眠剥夺：夜间告警频繁打断休息周期，影响次日工作状态，形成恶性循环。
• 知识孤岛：轮转人员对非自己负责的模块缺乏上下文，处理耗时过长。
• 告警噪音：大量低价值、重复、自愈的告警占据注意力，掩盖真正需要人工介入的故障。
• 轮转不公：排班未考虑个体差异（如时区、个人负载），导致部分成员长期处于高压状态。

1.2 疲劳度问题的定义

疲劳度（Fatigue）在 On-Call 场景中是一个多维度的量化指标，而非主观感受。我们将其定义为：

疲劳度 = f(告警频率, 告警持续时间, 响应复杂度, 睡眠剥夺指数, 轮转密度)

该函数的核心输出是 “有效决策能力衰减率”。当疲劳度超过阈值时，工程师的认知表现会显著下降，具体表现为：

• 告警确认时间超过 SLA 的 2 倍以上。
• 对同一告警的重复操作次数增加（如反复重启服务而未定位根因）。
• 误将 P0 级告警降级为 P3 处理。

1.3 告警疲劳与告警风暴的区别

这两个概念经常被混淆，但它们的成因、影响范围和治理手段有本质差异。下表从多个维度进行对比：

1.4 课程目标与学习路径

本课程旨在帮助 SRE 团队构建一套完整的 On-Call 轮转机器人疲劳度检测与告警优化体系。完成本课程后，你将能够：

1. 量化疲劳度：建立基于多维度指标的疲劳度计算模型，实时评估值班工程师状态。
2. 设计告警降噪策略：通过聚合、抑制、静默、动态阈值等手段，将有效告警率提升至 80% 以上。
3. 实现智能轮转调度：结合疲劳度数据，自动调整排班策略，避免单人过载。
4. 构建告警风暴防御：部署熔断器、依赖拓扑分析和事件压缩机制，防止系统级雪崩。
5. 落地可观测性闭环：将疲劳度指标与告警系统、值班平台、可观测性数据打通，形成持续优化循环。