SRE

Google 發布 SRE 第二版:從 SLO、可觀測性到 AI 基礎設施的可靠性重構

作者

背景 InfoQ 於 2026 年 11 月 17 日報道,Google 宣布完全改寫《Site Reliability Engineering: How Google Runs Production Systems》第二版。這本初版於 2016 年問世的書,長期被視為理解 Go...

Google 發布 SRE 第二版:從 SLO、可觀測性到 AI 基礎設施的可靠性重構

背景

InfoQ 於 2026 年 11 月 17 日報道,Google 宣布完全改寫《Site Reliability Engineering: How Google Runs Production Systems》第二版。這本初版於 2016 年問世的書,長期被視為理解 Google 如何營運大規模線上服務的重要公開資料。SRE 即 Site Reliability Engineering,中文可理解為網站可靠性工程,核心做法是將軟體工程方法套用到維運工作:以自動化取代重複人工操作,以明確指標和工程流程處理服務穩定問題。初版介紹的 service level objectives(SLO,服務水準目標)、error budgets(錯誤預算,允许可靠性偏離的額度)、toil reduction(雜務削減)、incident management(事故管理)與 postmortems(事後檢討),後來成為许多團隊建立可靠性制度的 common language。Google SRE 計畫經理 Betsy Beyer 與軟體工程師 David Huska 表示,新版回應的是十年間生產環境的結構性變化:問題已不是要不要上雲,而是在分散式、互相依賴且持續變動的系統中維持可靠。

第二版的核心判斷

第二版不是把原有章節簡單補厚,而是重新界定 SRE 在當代工程環境中的位置。Google 的看法是,2016 年前後常見的雲遷移與單體應用情境,已逐渐被 microservices(微服務,把服務拆成可獨立部署的小型單元)、multi-cloud(多雲,同時使用不同雲供應商的資源)、serverless(無伺服器架構,由平台代管執行環境與資源調度)與 internal developer platform(內部開發者平台,把部署、觀測、權限與可靠性能力做成產品團隊可自助使用的平台)重塑。現代服務的邊界更難畫清,依賴鏈更深,故障傳播路徑也更複雜。這使得可靠性不再只是某個維運團隊的責任,而是架構設計、交付流程、成本治理與組織協作共同決定的結果。Google 因此沒有把 SRE 描述成一套固定制度,而是把它呈現為會隨平台與工作負載演化的工程實踐。

指標、觀測與自動化的更新

改版中最明确的變化之一,是 SLO 與錯誤預算的使用方式。Google 指出,早期團隊多半依賴基本可用性指標,並以人工方式套用錯誤預算政策;新版則轉向以使用者experience為中心的多層級 SLO,強調故障對實際使用行為的影響,而不只是伺服器是否仍在線。與此配套的 dynamic burn-rate alerting(動態燃燒率告警),是根據錯誤預算被消耗的速度判斷告警緊急程度:如果短時間內快速燒掉大量錯誤預算,就代表問題需要立即處理;若消耗緩慢,則不必用同等強度打擾值班工程師。政策執行也從文件約定走向自動化,讓發布、告警和風險控制能直接嵌進工具鏈。

觀測體系的變化同樣明顯。第一版所處的環境以靜態儀表板、基本日誌和人工告警分類為主;新版則把 OpenTelemetry(開放式遙測框架,用統一方式產生與收集指標、日誌和追蹤資料)、distributed tracing(分散式追蹤,用來還原一個請求跨越多個服務的路徑)與自動化異常關聯納入主流做法。這裡的重點不是蒐集更多遙測資料,而是縮短從告警出現到找出可信解釋的時間。自動化層面也從解决單一任務的客製腳本,轉向 declarative infrastructure as code(宣告式基礎設施即代碼,以可版本控制的設定描述資源與服務狀態)、內部開發者平台與 self-healing systems(自我修復系統,能在detect到特定故障時自動執行回滾、重啟或流量轉移)。這些做法的共同目標,是把可靠性能力预先建入平台,而不是要求每個產品團隊重做一遍。

韌性測試與容量治理

可靠性測試也被重新定位。Google 對比了 scheduled game days(預先安排的全隊故障演練)與 synthetic load tests(合成負載測試,以人工流量模擬尖峰),指出現代工程更重視 continuous resilience checks(持續韌性檢查)、自動化交付管線測試,以及 live production canary verification(正式環境金絲雀驗證,先讓小比例真實流量進入新版本以觀察風險)。這代表韌性不再只是重大發布前的偶爾演練,而是成為交付流程的一部分。

容量管理的更新則與 AI 工作負載密切相關。過去依靠人工配置和靜態預測的方式,逐渐被動態自動擴縮、雲端 FinOps(Financial Operations,雲財務營運,把成本視角帶入工程與採購決策)以及 GPU 與 TPU 集群優化取代。GPU 是圖形處理器,TPU 是 Google 的張量處理器,兩者都是 AI 訓練與推理常見的加速資源。當模型訓練、微調和資料處理管線集中消耗這類稀缺資源時,容量規劃、網路拓撲與成本控制就不再只是效率問題,而會直接影響服務能否穩定提供。

AI 在 SRE 中的雙重角色

生成式 AI 在第二版中有兩條主線。第一條是 SRE 必須學會營運 AI 基礎設施:大型 GPU 與 TPU 集群的可靠性、網路拓撲、模型非決定性輸出、延遲行為,以及訓練、微調和資料處理管線,都不同於傳統無狀態網頁服務。傳統服務通常可以靠重試、水平擴充與版本回滾處理多數問題;AI 系統則可能同時牽涉昂貴加速器、長時間任務、資料品質與輸出不穩定,故障判斷更依賴跨層資料。

第二條是 AI 成為可靠性工程師的輔助工具。Google 歡迎生成式 AI 用於事故初步分類、事後檢討草稿、以自然語言查詢遙測資料,以及透過預測模型提前发现資源瓶頸。InfoQ 亦報道,Datadog 在 2026 年 10 月推出 Scout,作為 Bits AI SRE 中專門調查生產問題的模型;Honeycomb Canvas Agent、Splunk AI SRE 與 New Relic SRE Agent 也在探索相近方向。InfoQ 在 2026 年 2 月另報道,Google Cloud 的 SRE 曾在真實事故中使用 Gemini CLI 這類命令列工具,協助工程師梳理事故脈絡。這些案例都把 AI 放在支援位置:它能彙整證據、加速查詢與組織資訊,但沒有被描述為可取代待命人員與工程判斷的自主維運者。

組織與文化:責任分散,但不放棄原則

新版也修改了 SRE 的組織想像。Google 描述的方向,是從綁定特定應用的專屬 SRE 團隊,走向混合模式、平台工程整合,以及嵌入產品團隊的 reliability champions(可靠性推進者,負責在產品團隊內推動可靠性實踐)。原因很現實:多數組織無法為每一項服務配置一個中央 SRE 團隊,因此可靠性專業必須以更有效的方式擴散。平台工程提供可重用的能力,嵌入式角色則負責讓這些能力真正進入日常設計與交付決策。

儘管技術與組織形式改變,Google 仍強調底層文化沒有動搖。David Blank-Edelman 在 2025 年 InfoQ Dev Summit Boston 的演講《You Are Asking the Wrong Questions (about Reliability and SRE)》也提出相近觀點:可靠性工作應從客戶角度開始,而不是從單一元件角度開始;SRE 本質上是協作式工作;面對故障時,不應只追求單一根因,而應檢視促成故障的多重因素。這與第二版的精神一致:工具會更新,架構會變化,但可靠性的核心仍是理解使用者影響、降低重複勞務,並讓工程團隊能共同承擔系統風險。

影響與限制

從 InfoQ 的報道來看,第二版的價值不在於重新介紹 SRE 名詞,而在於呈現這些概念如何被平台化、分散式系統與 AI 密集基礎設施重新塑形。在已有 SRE 實踐的環境中,它更像一份更新地圖,指出 SLO、觀測、韌性測試、容量治理和成本控制需要一起看待;在可靠性制度仍待建立的組織中,它仍提供了將維運從一堆人工任務轉為軟體工程問題的參考框架。新版實體版可透過 Google Books 取得,數位版由 O'Reilly 提供。

限制也必須同時看見。公開報道呈現的是改版方向與重點,而不是可直接照搬到任何環境的固定答案。AI 相關例子多集中於證據彙整、查詢輔助與風險預測,尚不足以推論自主維運判斷已經成熟。GPU、TPU 集群與生成式 AI 管線的討論,對沒有大規模 AI 工作負載的環境也不一定立即適用。不過,它指出了一個更廣泛的事實:當代可靠性已不只是「服務有沒有上線」,而是同時包含使用者体验、依赖链、资源供给、成本与人类判断的系统工程。

本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理,並非原文逐字翻譯。