【系统架构设计】架构的不变量：穿越技术周期的设计原则
单体、微服务、边缘、AI 原生换的是部署形态与运行时组件，失败、尾延迟、一致性权衡、爆炸半径、反馈控制、组织同构与可观测性前提在二十年间并未消失。本文把 Part XIV 前沿篇收束为可核对的不变量清单，逐条链回本系列已写篇章与经典文献，并给出开放问题与自检用法。
SRE 标签归档
共 5 篇文章 · 返回首页
【系统架构设计】优雅降级：如何体面地\"坏掉\"
系统过载时，被动失效和主动降级看起来结果相似，工程含义却完全不同。本文从 Google SRE 的负载脱落与优雅降级实践出发，给出可执行的降级目录、触发信号、开关编排与恢复顺序，讨论一致性边界、用户提示与常见反模式，并说明它如何与熔断、限流协同工作。
【系统架构设计】SLO 工程：可靠性的量化管理
SLI、SLO、SLA 不只是运维指标——它们是架构决策的定量依据。本文从 Google SRE 的 Error Budget 策略出发，拆解多窗口燃烧率告警的数学原理，讲清楚 SLO 如何在产品与工程的冲突中充当仲裁者，并给出基于 Prometheus 和 Grafana 的落地方案。
【系统架构设计】故障排查方法论：从告警到根因的系统化路径
凌晨三点的告警响了，你打开笔记本，盯着一堆指标不知道从哪里下手——两小时后发现是配置改错了。这种经历几乎每个 oncall 工程师都有过。本文从 Incident Command System 在 SRE 中的适配讲起，拆解从告警到根因的系统化排查路径，覆盖事件分级、假设驱动调试、事后复盘的无责文化、Google 与 Meta 的 oncall 体系，给出可落地的 Runbook 模板和 Postmortem 模板。
【分布式系统百科】大规模故障复盘：从真实事故中学习分布式系统设计
精选 8 个真实大规模分布式系统故障案例，逐一分析根因、传播路径、恢复过程与事后改进，提炼分布式系统可靠性设计的共性教训。