前言
本次分享将从以下几个关键点展开论述：
时代：了解时代的趋势和大方向，才能事半功倍。雷军有个著名的理论——“飞猪理论”，即站在风口上，猪都能飞起来，这也表达了把握时代趋势的重要性。
加速：在把握时代趋势的基础上，选择关键技术要素，加速运维技术保障体系的建设。同时，需要考虑公司的现状特点，避免脱离现状构建“空中楼阁”。
技术：云原生时代的关键技术是我们深入探讨的重点。然而，技术不是我们的目标，解决业务问题、业务痛点并带来业务价值才是我们的目标。因此，我们应该开放连接，避免重复造轮子，借助云原生时代的IaaS、PaaS和SaaS能力，加速我们的能力成长。
趣丸科技成立于2014年，是一家集兴趣社交及电子竞技等业务于一体的创新型科技企业。公司积极布局多元化赛道，紧跟Z世代心智发展，最大化创造用户价值。作为国内领先的兴趣社交平台，TT语音是我们的拳头产品，累计注册用户已超1亿，并成为LPL、KPL、PEL等六大头部电竞职业赛事官方合作伙伴。
以下内容是基于我们公司的现状经验，不一定全部适用于其他公司和场景，如果有其他问题，欢迎大家一起交流。
一、运维趋势和挑战
提到趋势，有一个词让我印象深刻：VUCA。
VUCA这个词最早是在90年代冷战时期提出的，当时世界变得不确定和复杂。回顾我们过去三年的变化，我们也能深刻感受到VUCA的意义。
面对VUCA时代，需要找到应对措施。我们可以从两个角度来看待这个问题：一是“黑天鹅”，指的是发生概率较小的事件；二是“灰犀牛”，指的是发生概率较大的事件。
针对黑天鹅（小概率事件），我们总结出一个词：适应性。这个词源于达尔文在《物种起源》中的观点：能够生存下来的物种并非最强大的，而是最能适应环境的。面对不确定性和小概率事件，我们需要建立适应能力。适应能力的本质是快速迭代和自我改变。尽管改变是带有风险的，但我们需要基于对未来的最有可能假设，通过最小化版本进行验证，不断提升组织的适应性。
另外一个维度，灰犀牛（大概率事件），我们可以做一些长期的规划，主要关注三件事情：全球化、多云化、降本。
- 全球化：国内存量竞争激烈，海外市场不管是基础设施、用户数量、增长空间，相对来说是蓝海，此外出海业务在监管上，也相对比较宽松；
- 多云化：应对稳定性、业务特性，赋能商务议价的需要；
- 降本：增长乏力，难做到开源，可以更多地做好节流。
二、技术战略选型
在技术战略选型方面，我想简单分享一下过去10年在运维领域中最重要的几个技术理念之间的关系和意义。
1、技术理念
首先是ITIL（IT Infrastructure Library），它是过去IT服务管理（ITSM）的一种实践方法，其目的是通过流程来管理和控制IT服务的质量，关键在于设计适当的流程以及明确定义参与人员的角色。然而，ITIL 在实施过程中也存在一些问题，比如流程繁琐效率低，质量不一定能得到显著提升，出了质量故障往往只是让某些人背锅。
接下来是云原生（Cloud-Native），它的目标是构建和运行可弹性扩展的应用服务，关键要素包括弹性、可扩展性和高可用性。在技术方面，容器化、微服务化、服务网格、不可变基础设施和声明式API是云原生的关键技术要素。再深入一层，有云原生十二要素（https://12factor.net/zh_cn/）。
然后是DevOps，其目标是实现频繁且快速地交付软件。它强调多个团队共同合作，面向最终用户交付价值，关键技术要素是工具化和自动化。
最后是SRE（Site Reliability Engineering），其中以Google的SRE为代表。SRE是一种运用软件工程方法解决问题的方法，关注可用性、延迟、性能和容量等方面。对于SRE的软件工程能力，维基百科上有详细的解释，简单来说，就是要掌握编写代码来解决问题的能力。综上所述，我认为作为一个SRE，需要围绕着目标和手段，来理解和掌握这些技术理念，这样才能成为一个合格的SRE。
2、技术架构
在技术架构方面，我从两个视角来看：
首先是应用的视角。应用的架构核心是实现应用的弹性伸缩，这可以通过以下三个方面来实现：无状态化、BaaS化（Backend as a Service）、强大的应用流量治理能力；
其次是基础设施的视角。基础架构的核心是实现资源的弹性，这可以通过以下两个方面来实现：资源的统一交付和调度、多云互联互通。
在构建技术架构时，有几个必须具备的技术能力：
- DCI 网络（Data Center Interconnect）：实现多云环境下的互联互通和高可用性；
- K8S（Kubernetes）：实现应用交付和资源调度的标准化。Kubernetes是一种容器编排平台，可帮助管理和部署容器化应用程序。
- Istiod：一种与编程语言无关的服务治理框架。它提供了服务发现、流量管理和负载均衡等功能，使得应用的服务治理更加便捷和灵活。
- 应用可观测性：提升故障感知、定位和恢复能力。通过监控应用的关键指标和日志信息，可以及时发现故障并进行处理。
- 用户体验监控：改善用户体验。通过监控用户的行为和反馈，可以了解用户的需求和痛点，并及时做出相应的改进。
通过以上的技术能力构建，可以实现一个具备弹性、可扩展性和高可用性的技术架构，从而提升系统的性能和用户体验。
三、组织架构设计
在技术战略的实施中，组织架构和行为是必不可少的保障措施。下图是来自《高效能团队模式》一书的组织架构设计图，这张图在过去的两年里非常热门。图中的设计基于康威定律，进一步引申出认知负载理论，并推导出四种团队和三种交互模式。
对于从事软件工程的人来说，康威定律应该是一个熟悉的概念。它的核心观点是组织架构决定系统的架构，反过来说，如果想要拥有特定的系统架构，就需要设计相应的组织架构。组织架构决定了团队之间的交互模式，而跨团队的沟通本身是有成本的，这个成本可以称为认知负载。因此，在组织设计上，我们应该尽量降低沟通成本，减少团队之间的认知负载。
举个例子，在云原生时代，涉及到操作系统、虚拟化和容器化等技术的复杂性非常高。如果一个应用开发人员需要对每一层的技术细节都了如指掌，才能完成业务开发和软件交付，那么他的认知负载将会非常大。为此，我们在实际中看到，在组织上进行了分层，例如操作系统层、虚拟化层和容器层（如Kubernetes），以屏蔽底层复杂概念，极大地降低了认知负载。
基于这个底层逻辑，这本书提出了四种团队类型：业务流团队、平台型团队、复杂子系统团队和赋能型团队。同时，还提出了三种交互模式：协作（一起做）、服务（黑盒模式）和促进（教练赋能）。
通过理解和掌握这些组织架构设计的原则和模式，我们可以成为一个更合格的团队成员，并在实际工作中降低沟通成本，减少团队间的认知负载，从而提高工作效率和团队的协作能力。
四、行为价值观引导
- SRE岗位职责：我们强调SRE的核心职责是稳定性保障，他们是稳定性的首席责任人。此外，我们也要求SRE在能力上包括平台产品的建设；
- 团队协作：实现目标需要多个团队的协作。团队协作的首要任务是建立信任关系，并在建立了信任的基础上进行充分的沟通，以达成共同目标；
- 复盘文化：复盘的目的是为了更好地成长，而不是用于追责。我们要总结好的经验，并将其应用到其他场景中。同时，我们也要总结教训，以避免在其他项目中重复犯错；
- 技术卓越：我们要创造条件，使团队成员有机会追求技术卓越，并不断提升个人能力；
- 开放连接：我们要站在巨人的肩膀上，与云厂商建立合作共赢的伙伴关系。通过这样的合作，我们可以在多个方面为团队提供支持和赋能。我们可以基于对未来的设计，共同打造一些产品能力。
最后，我想强调的是，文化不仅仅是挂在墙上的宣传语，它通过对哪些人进行奖励、提升和解雇来体现，真正的文化是通过这些行为来体现出来的。
五、具体实践路径
1、全球一张网：我们在过去两年的实践中，面临了多个VPC之间的连接问题，配置静态路由非常繁琐且容易遗忘，导致部分网络不通，引发故障。为了解决这个问题，我们提出了"全球一张网"的概念，即任意节点间实现内网互联互通，并通过简便的配置方式实现高可用的互联网络。
2、统一资源交付、统一资源调度和应用交付能力：这三个能力从效能的角度来看，包括质量、效率和成本。我们通过标准化、系统化、自动化和智能化的手段实现了这些能力。
- 统一资源交付：通过CMP系统统一用户操作界面，避免交付动作不准确引起的问题，如定义自己的机型标准，用户无需关心系统盘大小、操作系统内核以及磁盘类型和大小；
- 统一资源调度：将资源统一池化，以便实现标准化和简化管理。通过离线和在线业务的分时复用，最大限度提升资源利用率；
- 统一应用交付：基于K8S的镜像化交付成为云原生应用交付的标准，实现一次构建，随处运行。结合应用资源画像，自动设置资源配置（Limit和Request）、副本数和弹性伸缩策略。
3、可观测能力：可观测能力是当前热门的方向，包括指标监控、追踪和日志记录。我们可以从用户视角出发，关注稳定性、性能和产品易用性。在市场上有很多成熟的产品可供选择，通过外部合作（购买）的方式快速具备可观测能力。
4、故障复盘能力：复盘能力是组织成长的关键。对技术团队而言，建立良性的复盘文化并非易事。以下是我们的两个经验，供参考：
- 对于违规操作导致的故障，要进行一定的惩罚；
- 不定义故障责任团队或者人，但必须明确故障整改措施的团队和人。很多时候我们在定义谁是故障责任人，扯皮的时间会多于真正干活解决问题的时间。
通过团队的努力，我们期望成功时的样子是：
- 随时随地拥有无限算力：能够快速交付充足的计算资源，不受地域限制；
- 一次构建随处运行：通过制品晋级，在不同环境和地区部署同一构建物；
- 持续改善用户体验：通过客户端监控和数据分析，不断优化用户体验；
- 面向未来持续成长：将故障问题当成改进机会，不断提升团队能力。
六、结语
基于具体的业务实践场景，并结合VUCA时代的挑战和机遇，趣丸科技形成了"云原生+DevOps+SRE+ITIL"技术理念，明确了全球一张网、统一资源交付/统一资源调度/应用交付能力、可观测能力、故障复盘能力的具体实践路径，并结合OKR进行落地，构建出了一套云原生时代下的运维技术保障体系。
刘亚丹
趣丸科技 技术保障部负责人
- 负责公司基础架构、SRE保障、FinOps财务管理及运维产品体系，深耕互联⽹运维技术领域超15年，熟悉游戏、视频和语音直播行业运维场景。对IDC、云计算、基础架构、云原生应用架构、SRE运维保障、数据库多活和容灾、资源成本优化、运维产品规划和落地，有深入理解和大量实践，具有较为丰富的运维团队管理经验。
