站点可靠性工程（Site Reliability Engineering，简称SRE）是一个令人兴奋的新兴领域，它专注于如何确保系统稳定、可靠地运行。本书基于一个金字塔层次结构模型，深入浅出地介绍了关于SRE 的方方面面，涉及监控、事故响应与回顾、测试与发布、容量规划、开发、用户体验设计，以及贯穿其中的沟通技巧。本书是SRE 工程师、DevOps 工程师、运维工程师和系统管理员不可或缺的参考资料；软件架构师、软件工程师、用户体验设计师也能从本书中获取关于SRE 的相关知识。

Nat Welch是一名美国的软件开发人员。自2005年以来，他一直做着构建网站并保持其运行的工作。他曾先后是谷歌、HFA等各大平台的网站可靠性工程师。多年来，他一直致力于提高网站的可靠性以帮助开发人员构建可靠的系统。
冯文辉，现任ThoughtWorks中国区资深架构咨询师，具有11年的软件行业经验，曾服务于多个世界500强企业，覆盖银行、保险、通信、汽车、物流等行业。为客户提供敏捷开发、DevOps、架构设计与数字化转型等咨询服务。热衷于探索更好的架构设计方法，助力企业的数字化转型。

目录
1 简介 1
SRE简史 2
SRE是什么 3
关于这本书 7
以SRE作为新项目的框架 9
小结 12
2 监控 13
为什么要监控 13
检测应用程序 16
度量什么 23
SLIs、SLOs和错误预算简介 26
错误预算 27
收集和保存监控数据 29
轮询应用程序 29
推送应用程序 32
展示监控信息 35
任意查询 35
图表 36
仪表板 37
聊天机器人 38
管理和维护监控数据 38
沟通 39
他们知道有监控吗 39
小结 40
参考资料 41
3 事故响应 42
什么是事故 43
什么是事故响应 45
警报 47
什么时候发起警报 48
怎么发出警报 49
向谁发出警报 54
随时待命 55
沟通 57
事故指挥系统 59
在哪里沟通 61
恢复系统 61
警报解除 63
小结 64
4 事后回顾 65
什么是事后回顾 65
为什么写事后回顾报告 66
何时写事后回顾报告 68
开展事故分析 69
如何写事后回顾报告 71
总结 71
影响 72
时间 73
根本原因 74
行动项 75
附录 77
停止事后指责 77
举行事后回顾会议 79
分析以往的事后回顾报告 80
MTTR与MTBF 81
警报疲劳 81
讨论过去的服务中断 81
小结 82
参考资料 82
5 测试和发布 83
测试 84
测试内容 87
发布 100
何时发布 101
回滚 104
自动化 104
持续 105
小结 106
6 容量规划 107
企业财务简介 108
为什么需要规划 110
风险管理与期望管理 111
定义一个规划 112
当前的容量是多少 113
何时达到容量极限 115
应该如何更改容量 119
执行规划 125
架构——性能变化的根源 126
技术作为利润中心和采购 128
小结 128
7 构建工具 129
寻找项目 131
定义项目 133
RDD 133
设计文档 136
项目计划 138
例子 139
回顾会与站会 141
工作分配 142
构建项目 143
关于编写代码的建议 143
关注点分离 144
长期工作 145
笔记本 148
文档与维护项目 149
小结 150
8 用户体验 151
设计和用户体验简介 155
现实世界的交互设计 157
用户测试 160
挑选一种体验 161
设计测试 162
寻找要测试的人 162
开发者体验 163
工具经验 164
绩效预算 164
安全性 166
身份认证 167
授权 168
风险概况 168
网络钓鱼 169
ACM道德准则 170
小结 171
参考资料 172
9 网络基础 173
互联网 173
发送一个HTTP请求 175
DNS 175
以太网和TCP/IP 179
HTTP 186
curl与wget 189
网络监控工具 194
netstat 194
nc 195
tcpdump 196
小结 197
参考资料 197
10 Linux和云基础 198
Linux基础 198
一切皆是文件 199
进程是什么 206
syscalls 207
构建自己的工具 213
云基础 214
虚拟机 215
容器 216
负载均衡 218
自动伸缩 219
存储 219
队列与发布/订阅 220
伸缩单元 221
架构面试示例 222
小结 226
参考资料 226