Google 和 Facebook 如何大规模处理 IT 事件管理 —— 2016 SRE 大会之我
【编者按】本文作者为 Maria Arbisman，主要介绍 Google 与 Facebook 两大巨头是如何大规模处理 IT 事件管理。文章系国内 ITOM 管理平台 OneAPM 编译呈现。 2016 年举办的可靠性工程师学会大会 (SREcon 2016) 汇聚了来自全球各地的多家企业，探讨企业在继续扩展业务的同时其网站可靠性工程师所面临的各种问题，包括“究竟什么才能成就强大的 SRE 团队”这样的准生存问题。似乎很多公司都会把精干的软件工程师和运营人才拼凑在一起，以此确保网站可靠性工程职能。但无论怎样精心组织这些团队，他们都是在努力让过去一直依赖于人力的过程自动化。这些过程通常围绕性能、可用性、效率、监测、事件管理、延迟和可靠性。 全球顶尖企业的发言人向与会者介绍了最佳实践，也坦率地探讨了其方法的一些局限性。我发现两个讨论组特别有意思（我刚写完一篇有关 根源分析进化论 的文章），这两个讨论组的主角是当今最最成功的两家企业：Google 和 Facebook。以下内容就是我对这两家企业如何应对 IT 事件管理的重要领悟。 ##Facebook 深入探讨的问题是：“人类应当留意哪些 IT 告警？” Facebook 的产品工程师 Brian Smith 首先向我们介绍了 Facebook 用来确定 IT 事件应否入人类法眼（这一过程被称为 SAR，即信号、可行动性和关联性