系统在预发环境跑得好好的，到生产上遇到一个依赖超时就全线变慢。这类事发生几次后会让人意识到：正确性和韧性是两件事。前者说没有故障时行为对不对，后者说有故障时行为还能不能接受，而后者几乎不可能靠读代码确认。 实验的前提：先有假设 混沌工程的核…
193
0
0
周牧野 Published · 2026-10-17
#SRE
7AA7 技术博客 · #SRE 下的全部文章。
"这套系统能扛多少流量"很难凭直觉回答。难在两处：容量不是单一数字而是一组相互影响的参数；测算环境与真实环境总有差距，测出来的数不能直接搬用。把这两处理清楚，估算才有意义。 四个基本量与它们的换算 容量讨论里反复出现四个量：QPS、并发数、单次请…
441
0
2
祝青禾 Published · 2026-09-12
事故复盘的目的是改进系统，而不是追责。它的产出也不是一份解释谁做错了的报告，而是让同类故障更难发生、发生后更快发现、更容易控制。追责导向会促使参与者隐去不确定操作和薄弱环节，系统失去真实证据。无责文化也不等于不承担改进责任：事实、决策与流…
1.2k
3
7
HexCreek Last reply · 2026-09-09