1. 课程导论：什么是基础设施配置漂移、漂移的常见原因、事件驱动Runbook的核心价值
1.1 什么是基础设施配置漂移
基础设施配置漂移（Configuration Drift）是指：实际运行环境的配置状态与代码仓库中声明的期望状态之间逐渐产生偏差的现象。在理想 DevOps 流程中，所有基础设施（服务器、网络、容器、中间件）都应通过 IaC（基础设施即代码）进行声明式管理，但现实环境中，手动修复、临时变更、补丁遗漏等因素会导致实际配置偏离基线。
漂移的本质：期望状态（IaC 代码）与实际状态（运行时环境）之间的差异，随时间累积且难以追溯。
| 对比维度 | 期望状态（IaC 代码） | 实际状态（运行环境） |
|---|---|---|
| 来源 | Git 仓库中的 Terraform / Ansible / Pulumi 声明 | 操作系统、云 API、中间件运行时 |
| 变更方式 | Pull Request + CI/CD 审批 | SSH 登录、控制台点击、紧急脚本 |
| 可审计性 | 完整 Git 历史 + 变更记录 | 通常无记录或仅系统日志 |
| 一致性 | 所有环境统一版本 | 每台机器可能不同 |
| 修复成本 | 低（重新 apply 即可） | 高（需逐台排查、手动回滚） |
1.2 漂移的常见原因
根据 SRE 生产环境事故统计，配置漂移通常由以下五类原因引发。理解这些根因是设计修复策略的前提。
- 手动紧急变更：故障处理时直接登录服务器修改配置，事后未更新 IaC 代码。这是最常见且最危险的漂移来源。
- IaC 覆盖率不足：部分资源（如 DNS 记录、防火墙规则、SSL 证书）未纳入 IaC 管理，导致这些配置只能手动维护。
- 环境间配置差异：开发/测试/生产环境使用不同的配置参数，但未通过变量或环境文件统一管理。
- 自动缩放与镜像老化：Auto Scaling 组启动的新实例使用过时的 AMI 或基础镜像，与当前基线配置不一致。
- 配置管理 Agent 失效：Ansible、Chef、Puppet 等 Agent 因网络、权限或版本问题停止运行，导致节点无法接收最新配置。
SRE 经验：超过 70% 的 P0 级生产事故与配置漂移直接或间接相关。漂移不仅导致故障，还会让故障排查时间延长 3-5 倍，因为运维人员无法信任当前环境状态。
1.3 事件驱动Runbook的核心价值
传统漂移修复依赖人工巡检或定时任务，存在延迟高、覆盖不全、修复动作不可审计等问题。事件驱动 Runbook 将漂移检测与修复流程自动化，通过实时事件触发预定义的修复工作流，实现“检测即修复”的闭环。
| 能力维度 | 传统定时修复 | 事件驱动 Runbook |
|---|---|---|
| 触发方式 | Cron 定时任务（如每 30 分钟） | 实时事件（配置变更、状态告警、Webhook） |
| 检测延迟 | 分钟级到小时级 | 秒级到亚分钟级 |
| 修复动作 | 全量 apply，可能影响无关资源 | 精准修复漂移部分，最小化影响 |
| 可审计性 | 日志分散，难以关联 | 事件 → 决策 → 修复 → 验证，全链路追踪 |
| 回滚能力 | 需手动执行回滚脚本 | Runbook 内置回滚步骤，自动触发 |
1.4 课程目标与适用场景
本课程面向 SRE 工程师、DevOps 架构师和平台工程团队，帮助学员掌握以下能力：
- 设计基于事件总线的漂移检测架构（AWS EventBridge / Azure Event Grid / Kafka）
- 编写可复用的 Runbook 模板，支持参数化修复动作
- 实现漂移修复的自动回滚与熔断机制
- 建立漂移事件的监控、告警与审计仪表盘
前置要求：学员需具备基本的 IaC 工具使用经验（Terraform / Ansible / Pulumi 至少一种），了解云平台基础资源管理，熟悉 Git 工作流。本课程不教授 IaC 基础语法，专注事件驱动架构与 Runbook 自动化。