第1章 概述

Manuel Dewald

运维分布式软件是一项艰巨的任务。它需要人们对他们所维护的系统有深刻的理解。无论你构建了多少自动化程序，它们都永远不会取代高技能的运维人员。

OpenShift是一个平台，旨在帮助软件团队开发和部署分布式软件。它附带了大量内置的或者很容易部署的工具。虽然它可以为用户提供很大帮助，并且可以消除许多传统的手动操作负担，但OpenShift本身是一个需要部署、操作和维护的分布式系统。

许多公司都有平台团队，他们为研发团队提供基于OpenShift的开发平台，这样维护工作就集中了，整个组织的部署模式也标准化了。这些平台团队越来越多地转向站点可靠性工程（Site Reliability Engineering，SRE）团队，其中软件开发实践被应用于操作任务。脚本被适当的软件解决方案所取代，这些解决方案可以更容易地进行测试，并使用持续集成/持续交付（CI/CD）系统自动部署。警报从简单的基于原因的警报（如“虚拟机23上使用了大量内存”）转换为基于反映客户体验的服务水平目标（Service Level Objective，SLO）的基于症状的警报，如“处理请求所需的时间比我们预期的要长”。

OpenShift提供了使用SRE范例在其上运行软件所需的所有工具，从监视平台到集成的CI/CD系统，你可以使用该系统来观察和运行部署到OpenShift集群的软件以及集群本身。但是，构建自动化、实现良好的警报策略以及最后调试在操作OpenShift集群时所发生的问题，仍然是需要熟练的运维或SRE人员的艰巨任务。

即使在SRE团队中，传统上，工程师的大部分时间都用于手工操作任务，通常称为“Toil”。不过，操作时间应该是有限制的，因为SRE的主要目标是解决软件工程的Toil。

O'Reilly出版了一系列由Google站点可靠性工程师撰写的与核心SRE概念相关的书籍（https://sre.google/books）。如果你对这些原理的细节感兴趣，我们建议你看看这些书。在第一本书Site Reliability Engineering（https://sre.google/sre-book/table-of-contents）中，作者主要从他们在谷歌担任SRE的经验出发，建议将Toil工作时间限制在工程团队时间的50%以内。