SRE实践：服务可靠性案例课

讲师介绍

拥有十余年 SRE 运维经验。曾负责百度网盘、快手海外版服务稳定性工作，同时也是百度、快手两次央视春晚红包核心保障人员。十余年来经历过数百次故障处理和复盘，在监控、容量、预案、变更、数据可靠性、AIOps 等多个方向有自己独特的经历和见解。

课程介绍

在如今的数字化时代，服务的可靠性已成为企业竞争力的关键。无论是电商巨头还是初创公司，服务中断都可能带来经济与品牌信誉的双重损失。然而，确保服务的连续性和稳定性并非易事，需要我们提前预防潜在的风险，快速响应突发事件。

想要做到这一点不仅需要强大的技术支撑，更需要培养一种全面的可靠性思维。为此，我们特别设计了这门《SRE 实践：服务可靠性案例课》。这门课程可以帮助你：

快速识别和填补监控体系的漏洞；

构建完善的容量保障体系，让资源发挥最大效率；

做好应急预案，提高响应的速度；

强化可靠性保障体系基础设施建设；

养成可靠性保障思维；

借助 AIOps 工具，让可靠性工作更加的全面和智能；

……

从技术到业务，从个人意识到组织文化，全方位提升你对服务可靠性的理解和实践能力。

课程设计

基础篇

基础篇会系统地介绍可靠性保证最常见的六项技能：监控、容量、变更、预案、备份和恢复、文化和机制，了解这些能力可以解决哪些问题。此外还要培养自身的可靠性意识，不仅仅停留在使用工具和技术解决问题的阶段，而是从意识层开始改变。

应用篇

在应用篇，我们将深入分析具体的案例并探讨监控、容量、变更等技能在实践中的应用。特别是互联网公司那些影响非常大的故障，我们将通过分析这些案例看到背后的问题。同时你会了解到一些复杂场景下的应对方案，比如机房故障应该如何应对等等。

智能运维篇

这部分我们会介绍 AI 和可靠性结合能产生哪些火花，以及业界的优秀案例。比如通过异常检测，解决传统监控中难以发现的复杂问题，提高对系统异常的识别速度和准确性；利用 AI 进行时序数据分析和回归预测，可以更准确地预估系统负载，从而实现资源的优化分配和弹性扩容等。在故障的时候如何做更加智能的决策，给出合理的建议。