许多大公司都有站点可靠性工程师（SRE = Site Reliability Engineer）的职位空缺。例如，谷歌、Facebook/Meta 或字节跳动的抖音。软件工程师（Software Engineer）与亚马逊/Amazon所称的软件开发工程师相同（Software Development Engineer）。 站点可靠性工程师（SRE）是一个专注于确保生产环境中软件系统的可靠性、可扩展性和性能的角色。SRE 负责服务的健康状况和正常运行时间，平衡软件开发与运维任务。软件工程师（SE）主要专注于编写和维护代码以创建软件产品，而 SRE 则融合了开发技能、系统管理、故障排除和事件管理，以确保这些产品在实际环境中顺利运行。 以下是两者之间关键区别的比较： 站点可靠性工程师 (SRE) 专注于可靠性与运维： 确保系统高度可用、可扩展且具有弹性。 监控系统健康状况，管理事件并处理故障。 运维自动化： 使用代码自动化手动任务（例如基础设施部署、监控和补救措施）。 通过创建自动恢复或仅需最少人工干预的系统来减少重复性工作。 随叫随到的职责/也就是On-call：我在亚马逊AWS云On Call的体验 通常参与随叫随到的轮值，处理操作问题和紧急情况。 性能和容量规划： 分析系统性能，确保系统能够应对增长和流量高峰。 SLA、SLO 和 …
从2020年到2021年，我在亚马逊（AWS云）担任软件开发工程师（SDE）。有人说SDE代表”Someone Does Everything”（什么都做的人），这相当准确。在亚马逊，每位SDE软件工程师都负责从设计、编码到测试的所有工作，还需要定期轮值紧急响应任务。大多数亚马逊团队由6-8名工程师和一名软件开发经理（SDM）组成，遵循“两个披萨团队” （Two Pizza Team）的原则。 每位SDE软件工程师通常每6-7周需要轮值一次Oncall（紧急响应任务），持续一整周24/7待命。在此期间，你需要处理和解决业务上出错的问题（比如服务器宕机，原因可能：程序出错崩溃、硬盘空间不足、CPU温度过高等）。为此，你需要在手机上安装紧急响应软件（Pong），以接收与团队产品相关的警报。当警报响起时，你必须在15分钟内确认工单。如果没有及时确认，问题会逐级上报，甚至可能报告到CEO姐夫贝佐斯 Jeff Bezos，这可能会对你的绩效评估产生负面影响。 我听说有个软件工程师下班后和同事到酒吧里喝两杯，然后警报响了，他淡定的拿起笔记本就处理起来了。 亚马逊的理念是你拥有自己的代码/You own your code。这意味着即使在半夜，警报响了，你也得爬起来解决问题。你的首要任务是恢复服务/Mitigation，其次是调查原因和解决。如果警报在凌晨3点响起，您可以临时重启服务器来解决问题，详细调查可以第二天起床后再进行。如果你在半夜被警报唤醒，第二天可以多休息，不用担心早晨的站会（敏捷开发每天都有例会）。 程序也需要Oncall就会促使他们尽可能的写出高质量的代码，避免BUG日后找麻烦。 这里顺便说一下，我在亚马逊S3的那个组，敏捷开发是2周一个短跑（Sprint），轮到oncall的工程师需要专注于Oncall DevOps，相当于是一个任务（多少点我忘记了），如果不太需要处理警报，则可以适当做一些其它开发任务。对我来说，压力最大的是在Oncall完的第二周，需要写报告，并在每周大会上给大家讲每个警报的原因和处理方案。 这个Oncall非常让人有压力，但它们有效地训练了软件工程师的DevOps技能。由于高灵敏度设置，新产品往往会生成更多警报。亚马逊以其99.99%的服务水平协议（SLA）而自豪，这要归功于SDE的紧急响应文化。 以下是我在2021年担任亚马逊SDE期间最后一次轮值时收到的警报示例。警报声可能非常刺耳，类似空袭警报，不过也有一些不那么刺耳甚至更愉快的铃声可供选择。当时这声音简直是恶梦。 我在Oncall那周，我媳妇都不愿意和我睡，因为大晚上的被警报吵醒是件很吓人并且让人很不爽的事情。当我离开亚马逊来到微软剑桥研究院后，立马压力就小很多，而且人也开心很多，朋友圈状态都比较频繁了。 其实，我感觉Oncall这事不讨好的一个很大原因是在英国Oncall是不额外给钱的，都属于本职工作的一部分。而据说在德国，Oncall是会有额外经济补偿的，在金钱的加持下，我感觉这事的体验感肯定天壤之别。 英文：The Experience of On-call (Paging) for Amazon Software …
