https://socake.github.io/tags/sre/Recent content in SRE on 黄文卓 | DevOps EngineerHugo -- gohugo.iozh-CN17691281867@163.com (Wenzhuo Huang)17691281867@163.com (Wenzhuo Huang)© 2026 Wenzhuo HuangThu, 30 Apr 2026 17:00:00 +0800https://socake.github.io/playbook/multi-cloud-alerting-consolidation/Thu, 30 Apr 2026 17:00:00 +080017691281867@163.com (Wenzhuo Huang)https://socake.github.io/playbook/multi-cloud-alerting-consolidation/做告警最常见的状态不是没告警，而是有两套甚至三套并行运行的告警系统，渠道交叉、规则重叠、silence 写得到处都是。本文给出从混乱状态收敛成统一治理的完整路径，包含可直接 1:1 复制部署的全量 yaml、脚本与配置。https://socake.github.io/posts/use-method-performance-analysis/Sun, 12 Apr 2026 11:00:00 +080017691281867@163.com (Wenzhuo Huang)https://socake.github.io/posts/use-method-performance-analysis/随机尝试是性能排查的大敌。USE Method 用一个三维框架（使用率/饱和度/错误）把所有系统资源纳入统一分析体系，本文从原理到实战全面解析这套方法论，并提供 K8s 环境下的 PromQL 映射和工具链速查表。https://socake.github.io/posts/prometheus-error-budget-alerting/Thu, 25 Dec 2025 10:40:00 +080017691281867@163.com (Wenzhuo Huang)https://socake.github.io/posts/prometheus-error-budget-alerting/错误率告警有一个致命问题：它不告诉你问题有多紧急。1% 的错误率，持续 2 小时和持续 10 分钟，对 SLO 的威胁完全不同。燃烧率告警从 Error Budget 消耗速度出发，让每一次告警都携带"紧急程度"信息。https://socake.github.io/posts/devops-senior-interview/Thu, 11 Dec 2025 12:51:00 +080017691281867@163.com (Wenzhuo Huang)https://socake.github.io/posts/devops-senior-interview/高级运维面试考什么？本文整理 5 道系统设计题和 10 道深度技术题，每题给出答题框架。从监控体系设计到 K8s 调度器原理，从生产事故复盘到新技术引入决策，帮你建立完整的回答思路。https://socake.github.io/posts/%E5%91%8A%E8%AD%A6%E4%BD%93%E7%B3%BB%E8%AE%BE%E8%AE%A1/Tue, 18 Nov 2025 13:37:00 +080017691281867@163.com (Wenzhuo Huang)https://socake.github.io/posts/%E5%91%8A%E8%AD%A6%E4%BD%93%E7%B3%BB%E8%AE%BE%E8%AE%A1/从真实的告警噪音泛滥经历出发，分享如何用 SLI/SLO 重新设计告警体系，包括告警分级、规则设计原则、路由策略和复盘机制。https://socake.github.io/posts/oncall-rotation-management/Wed, 24 Sep 2025 10:00:00 +080017691281867@163.com (Wenzhuo Huang)https://socake.github.io/posts/oncall-rotation-management/On-call 不是福利也不是惩罚，是一份职责。把它做成可持续的工程实践，比任何高级监控工具都重要。https://socake.github.io/posts/chaos-mesh-practice/Sat, 13 Sep 2025 09:56:00 +080017691281867@163.com (Wenzhuo Huang)https://socake.github.io/posts/chaos-mesh-practice/混沌工程不是破坏系统，而是在可控环境中提前暴露脆弱点。本文记录了我用 Chaos Mesh 在生产级 K8s 集群中设计并执行混沌演练的完整过程，包括安装、实验配置、Workflow 编排和游戏日流程设计。https://socake.github.io/posts/incident-response-postmortem/Wed, 10 Sep 2025 10:00:00 +080017691281867@163.com (Wenzhuo Huang)https://socake.github.io/posts/incident-response-postmortem/事故响应不是英雄主义，是一套可重复的流程。把流程、模板、文化讲清楚，让每次事故都能沉淀成组织资产。https://socake.github.io/posts/chaos-engineering-gameday/Wed, 27 Aug 2025 10:00:00 +080017691281867@163.com (Wenzhuo Huang)https://socake.github.io/posts/chaos-engineering-gameday/别把混沌工程理解成随便 kill pod。真正有价值的是一套假设驱动的演练方法论：演练前写下假设，演练中验证，复盘后改进系统和流程。https://socake.github.io/posts/slo-sli-error-budget-practice/Fri, 01 Aug 2025 13:37:00 +080017691281867@163.com (Wenzhuo Huang)https://socake.github.io/posts/slo-sli-error-budget-practice/从 SLI 指标选取到 Error Budget 消耗速率告警，系统讲解 SRE 可靠性工程体系的落地实践，包括 Prometheus recording rules 计算 SLI、多窗口 burn rate 告警规则配置、SLO 违规复盘流程，以及与开发团队的协作策略。https://socake.github.io/posts/dora-metrics-platform-engineering/Sat, 12 Jul 2025 12:27:00 +080017691281867@163.com (Wenzhuo Huang)https://socake.github.io/posts/dora-metrics-platform-engineering/DORA 四个指标不是考核工具，是诊断工具。从 CI/CD 流水线和 Incident 系统采集数据，找到部署频率低、前置时间长的真实原因，然后用平台工程手段系统性改进。本文给出采集方案、Grafana 看板设计和常见误用陷阱。https://socake.github.io/posts/on-call-engineering-practice/Tue, 08 Jul 2025 11:26:00 +080017691281867@163.com (Wenzhuo Huang)https://socake.github.io/posts/on-call-engineering-practice/好的 On-Call 体系不是让人 24 小时盯着屏幕，而是让每一次叫醒都有价值。从告警质量到 Runbook 设计，从轮班制度到数据驱动改进，这篇文章是我们团队在生产环境打磨 3 年的实践总结。https://socake.github.io/posts/sre-incident-management/Sat, 05 Jul 2025 09:30:00 +080017691281867@163.com (Wenzhuo Huang)https://socake.github.io/posts/sre-incident-management/故障处理不只是技术问题，更是协作和信息流问题。这篇文章完整梳理了从故障触发到 Post-Mortem 归档的每个环节，包括 IC 角色的意义、15 分钟定界框架，以及如何让 Post-Mortem 真正推动改进而不是走过场。https://socake.github.io/posts/sre-concepts-and-principles/Thu, 26 Jun 2025 11:44:00 +080017691281867@163.com (Wenzhuo Huang)https://socake.github.io/posts/sre-concepts-and-principles/SRE 不是给运维换了个更好听的名字。它是一套用软件工程思维解决可靠性问题的方法论。本文从 Error Budget 切入，覆盖 SLI/SLO 制定、Toil 识别、On-call 设计、故障复盘文化，以及从传统运维转型 SRE 的实际路径。https://socake.github.io/posts/multi-cluster-k8s-management/Wed, 21 May 2025 13:03:00 +080017691281867@163.com (Wenzhuo Huang)https://socake.github.io/posts/multi-cluster-k8s-management/从单集群到多集群，运维复杂度不是线性增加，而是指数级。这篇文章总结了我们管理跨地域、跨环境多套 K8s 集群的实际经验：如何用 ArgoCD ApplicationSet 统一部署、如何用 Thanos 聚合多集群指标、以及一次真实的跨集群迁移过程。https://socake.github.io/posts/kubernetes-upgrade-strategy/Wed, 14 May 2025 09:56:00 +080017691281867@163.com (Wenzhuo Huang)https://socake.github.io/posts/kubernetes-upgrade-strategy/K8s 集群升级听起来简单，实际操作中坑很多：API 弃用导致的 Helm 失败、Admission Webhook 拦截升级流量、PDB 配置不当导致服务中断。这篇文章从真实的升级经验出发，给出一套可复用的零停机升级方案。https://socake.github.io/posts/alertmanager-routing-config/Sat, 22 Mar 2025 12:27:00 +080017691281867@163.com (Wenzhuo Huang)https://socake.github.io/posts/alertmanager-routing-config/告警太多和告警太少一样有害。Alertmanager 的路由、抑制、分组机制是控制告警噪声的核心手段，本文从一个真实的多环境告警体系出发，讲清楚每个配置的意图和陷阱。https://socake.github.io/posts/devops-career-growth/Sun, 22 Dec 2024 09:52:00 +080017691281867@163.com (Wenzhuo Huang)https://socake.github.io/posts/devops-career-growth/运维工程师的成长不是工具的堆砌，而是认知层次的跃迁。这篇文章记录了我对这条路的观察和思考——哪些时机会让人真正进阶，哪些惯性思维会让人原地踏步。https://socake.github.io/posts/%E6%95%85%E9%9A%9C%E6%8E%92%E6%9F%A5%E6%96%B9%E6%B3%95%E8%AE%BA/Tue, 17 Dec 2024 12:27:00 +080017691281867@163.com (Wenzhuo Huang)https://socake.github.io/posts/%E6%95%85%E9%9A%9C%E6%8E%92%E6%9F%A5%E6%96%B9%E6%B3%95%E8%AE%BA/好的排查不靠直觉，靠方法。这篇文章总结了我在多次生产故障中提炼出的排查框架：从时间线构建到假设优先级，再到认知陷阱的识别与规避。https://socake.github.io/posts/sre%E5%AE%9E%E8%B7%B5%E5%BF%83%E5%BE%97/Wed, 11 Dec 2024 11:26:00 +080017691281867@163.com (Wenzhuo Huang)https://socake.github.io/posts/sre%E5%AE%9E%E8%B7%B5%E5%BF%83%E5%BE%97/SRE 不是换了个头衔的运维，而是一套用软件工程思维解决可靠性问题的方法论。这篇文章记录了我在实践过程中最有感触的几个转变。https://socake.github.io/posts/prometheus-grafana/Fri, 06 Dec 2024 09:30:00 +080017691281867@163.com (Wenzhuo Huang)https://socake.github.io/posts/prometheus-grafana/可观测性不是装几个监控工具，而是让系统在出问题时能快速定位根因。这篇文章从采集架构到 PromQL 到告警路由，覆盖我们在生产环境中实际遇到的 cardinality 爆炸、告警噪音等问题。