SRE实践：服务可靠性案例课

共 33 讲。

目录

• SRE实践：服务可靠性案例课
• 开篇词-互联网公司故障频发，我们应该如何保障服务持续可靠？
• 导学-如何构建坚不可摧的服务可靠性体系？
• 01-监控：如何从业务视角出发添加监控？
• 02- 容量：从业务视角看容量到底是什么？
• 03-变更：为什么说变更是可靠性的第一杀手？
• 04-预案：预案的三板斧指的是什么？
• 05-备份和恢复：可靠性的最后一道防线
• 06-可靠性文化和规范：人是万物的尺度
• 微软蓝屏事件：如何应对变更带来的问题？
• 网易云音乐故障猜想：如何避免迁移带来的问题？
• 07-监控场景：为什么所有故障都有监控的因素？
• 08-容量场景（一）：12306为什么现在能扛住春节抢票了？
• 09-容量场景（二）：一次让网盘雪崩的热点事件
• 10-容量场景（三）：一条让新浪工程师们通宵加班的微博
• 11-变更场景（一）：一条让Facebook蒸发百亿的指令
• 12-变更场景（二）：一次简单升级竟然损失几千万
• 13-变更场景（三）： 连续绊倒两个云厂商的故障
• 14-预案场景（一）：B站最为深刻的一次自我剖析
• 15-预案场景（二）：一次机房故障为何让多位高管被辞退？
• 16 -备份和恢复：一次误操作中断7小时
• 17 -可靠性意识：可靠性Oncall十大原则
• 18-概述：AIOps涉及哪些领域和方向？
• 19-AIOps故障发现：我们如何看到肉眼看不到的故障？
• 20-AIOps问题定位：如何在报警风暴中找到暴风眼？
• 21-AIOps容量预测：如何准确地预估流量？
• 22-AIOps变更管理：如何进行更全面地检查与更精准地阻断？
• 23-AIOps智能决策：给故障处理安装一个大脑
• 24-AIOps数据可靠性：如何预测磁盘故障
• 25-可靠性基础科学：可靠性背后的运筹学和概率学
• 结束语-这里不是终点，而是一个起点
• 结课测试-来赴一场满分之约
• 元旦加餐-2024年互联网大厂故障盘点