学习路线 v1.0 10 阶段 / 30 节点
SRE 工程师成长路线
从 Linux 运维基础走向可靠性工程：围绕用户体验建立目标，以自动化、可观测性、发布治理和故障复盘持续改善服务。
适合已经掌握基本 Linux 操作、希望进入 SRE 的学习者，也适合现有运维工程师按阶段查漏补缺。基础薄弱时先完成 Linux 路线相关阶段；工具是能力练习的载体，可按团队环境选择。 查看Linux 运维学习路线 ↗
我的学习旅程
0 / 30 已掌握 · 0%按阶段建立能力，也可以直接跳到需要补齐的知识点。
进度仅保存在当前浏览器，换设备不会同步，清理浏览器数据后会丢失。
拖动 / 双指缩放 · 点击节点查看指南 · 通过阶段目录定位
基础能力检查
先确认能读懂系统、请求链路和运维工作，再进入可靠性工程。
Linux 与排障基础建立可重复的系统检查顺序。先确认业务影响，再查看服务、资源与日志；对不熟悉的命令和权限模型，回到 Linux 路线补齐基础。未开始
学习目标
建立可重复的系统检查顺序。先确认业务影响，再查看服务、资源与日志；对不熟悉的命令和权限模型，回到 Linux 路线补齐基础。
前置知识
可从此节点开始；如已有基础，可对照掌握标准自查。
核心知识
- 进程、文件描述符、权限、systemd 与日志之间的关系。
- CPU、内存、磁盘和网络指标的含义，以及采样时间对结论的影响。
- 先观察后变更；保留现场、记录时间，并验证修复结果。
掌握标准
- 能根据服务日志和进程状态定位一次启动失败的原因。
- 能给出资源异常的证据，并说明下一项验证，而不是只重启服务。
参考资料
相关图谱与路线
请求链路与网络基础从一次用户请求出发，识别 DNS、连接、加密、代理和后端各自负责的环节，避免把所有超时都归为网络故障。未开始
学习目标
从一次用户请求出发，识别 DNS、连接、加密、代理和后端各自负责的环节，避免把所有超时都归为网络故障。
前置知识
可从此节点开始；如已有基础，可对照掌握标准自查。
核心知识
- DNS 解析、TCP 建连、TLS 握手与 HTTP 请求的先后关系。
- 负载均衡、反向代理、连接池与后端依赖形成的请求路径。
- 区分解析失败、连接拒绝、连接超时和应用响应错误。
掌握标准
- 能画出一个 Web 服务从客户端到数据库的请求路径。
- 能用分段观测结果说明故障发生在哪一段，并解释证据的局限。
参考资料
相关图谱与路线
可靠性目标与重复劳动理解 SRE 如何通过工程方法改善服务。把用户体验、变更速度和维护成本放在一起考虑，识别值得消除的重复劳动。未开始
学习目标
理解 SRE 如何通过工程方法改善服务。把用户体验、变更速度和维护成本放在一起考虑，识别值得消除的重复劳动。
前置知识
可从此节点开始；如已有基础，可对照掌握标准自查。
核心知识
- 从用户是否完成任务理解可靠性，避免只看机器是否在线。
- 区分必须执行的运营工作和可通过工程改进消除的重复劳动。
- 用发生频率、耗时和故障风险确定自动化改进的优先级。
掌握标准
- 能为一个熟悉的服务列出主要用户行为与失败表现。
- 能记录一类重复工作并提出可验证的改进目标。
参考资料
SLI/SLO与错误预算
把用户体验转成可测量、可讨论、可驱动行动的目标。
定义用户侧 SLI选择少量能代表用户体验的指标，写清统计对象和计算口径，使不同团队对同一组数字有相同理解。未开始
学习目标
选择少量能代表用户体验的指标，写清统计对象和计算口径，使不同团队对同一组数字有相同理解。
前置知识
核心知识
- 区分 SLI 测量值、SLO 目标与 SLA 约定。
- 为成功率或延迟指标定义合格事件、全部事件、测量位置和统计窗口。
- 识别服务端观测与客户端体验之间的差距，避免只使用平均延迟。
掌握标准
- 能写出一个请求成功率 SLI 的分子、分母和排除条件。
- 能解释某个指标为什么能代表用户体验，以及它遗漏了哪些失败。
参考资料
制定与评审 SLO让服务目标成为产品、研发和运维共同使用的约定。目标应有可持续的测量方式，并能随业务证据复审。未开始
学习目标
让服务目标成为产品、研发和运维共同使用的约定。目标应有可持续的测量方式，并能随业务证据复审。
前置知识
核心知识
- 根据用户需求、历史表现和维护成本选择目标，而不是默认追求更多个 9。
- 明确滚动或日历窗口、数据来源、负责人和评审周期。
- 处理缺失数据与低流量场景，避免把没有观测误认为服务正常。
掌握标准
- 能完成一份包含指标、目标、窗口和负责人的简明 SLO 文档。
- 能用一段实际或练习数据判断达标情况，并指出口径限制。
参考资料
错误预算与行动策略把允许的失败空间转为发布和改进决策依据。预算不是鼓励出错，而是让团队对风险有共同尺度。未开始
学习目标
把允许的失败空间转为发布和改进决策依据。预算不是鼓励出错，而是让团队对风险有共同尺度。
前置知识
核心知识
- 请求型成功率目标的预算比例为 1−SLO；允许失败量还取决于合格请求总量。
- 区分已经消耗的预算、剩余预算和消耗速度。
- 预先约定预算紧张或耗尽时的调查、发布限制和恢复条件。
掌握标准
- 能根据固定统计窗口内的请求数和目标计算允许失败量与消耗比例。
- 能说明一次预算快速消耗后应由谁采取什么行动。
参考资料
服务架构与分布式基础
识别依赖、状态和失败传播，建立生产系统的整体视角。
架构与依赖边界把服务拆成可观察的组件和依赖关系，识别请求必经路径与关键状态，判断单点故障和共同故障域。未开始
学习目标
把服务拆成可观察的组件和依赖关系，识别请求必经路径与关键状态，判断单点故障和共同故障域。
前置知识
核心知识
- 同步调用、异步消息、缓存与数据库在业务路径中的作用。
- 超时和错误如何沿依赖关系传播，以及慢依赖怎样拖住线程或连接。
- 副本数量、部署位置与共享依赖共同决定故障隔离效果。
掌握标准
- 能绘制带有调用方向、状态存储和超时边界的服务图。
- 能指出两处潜在单点或共享故障域，并说明影响范围。
参考资料
相关图谱与路线
状态、复制与一致性理解数据副本带来的可靠性收益与协调成本。围绕业务读写需求讨论一致性，而不是只记分布式术语。未开始
学习目标
理解数据副本带来的可靠性收益与协调成本。围绕业务读写需求讨论一致性，而不是只记分布式术语。
前置知识
核心知识
- 区分本地状态、持久化状态与可重建缓存。
- 复制延迟、主从切换和并发更新如何影响用户读到的数据。
- 认识多数派与共识的用途；网络分区下需要明确可用性和数据语义。
掌握标准
- 能解释一次写入后读取旧值可能出现在哪些环节。
- 能为一个业务操作说明必须满足的数据语义及允许的延迟。
参考资料
超时、重试与幂等为远程调用设置明确的等待与重试边界，避免短暂故障被放大成全系统过载。未开始
学习目标
为远程调用设置明确的等待与重试边界，避免短暂故障被放大成全系统过载。
前置知识
核心知识
- 端到端期限与每跳超时预算，避免下游已经失败但上游持续等待。
- 重试上限、退避与随机抖动，以及多层重试叠加造成的请求放大。
- 幂等键和去重记录的作用；超时不一定意味着操作未执行。
掌握标准
- 能说明某个写接口是否可以安全重试，并给出理由。
- 能设计有总时限和次数上限的重试策略，估算最坏请求放大倍数。
参考资料
编程、自动化与基础设施管理
以 Python 建立工程化自动化能力，按需要扩展工具链。
Python 与可测试自动化用 Python 把重复流程变成有输入校验、失败处理和执行记录的小工具，逐步从一次性脚本走向可维护程序。未开始
学习目标
用 Python 把重复流程变成有输入校验、失败处理和执行记录的小工具，逐步从一次性脚本走向可维护程序。
前置知识
核心知识
- 函数、集合、文件和 JSON 处理；用虚拟环境管理项目依赖。
- 调用接口时设置超时，处理分页、异常和部分失败；避免把凭据写入代码或日志。
- 为纯逻辑和外部调用边界编写测试，增加预览模式、退出码与可追踪日志。
掌握标准
- 能编写一个读取结构化数据并输出巡检摘要的 Python 工具。
- 能用测试覆盖正常输入、缺失字段和外部请求失败，并解释失败时的行为。
参考资料
相关图谱与路线
版本化配置与基础设施把机器配置和环境变化作为可评审的代码管理。以 Ansible 等工具练习声明目标状态，再理解基础设施声明与状态管理。未开始
学习目标
把机器配置和环境变化作为可评审的代码管理。以 Ansible 等工具练习声明目标状态，再理解基础设施声明与状态管理。
前置知识
核心知识
- Git 提交、差异评审、环境隔离与变更追踪。
- 幂等执行、参数化清单与配置漂移；区分声明状态和临时执行命令。
- 先预览再应用，分批变更并核对结果；安全保存状态文件与敏感变量。
掌握标准
- 能为一项服务配置编写可重复运行的自动化任务，二次执行不产生无意义变更。
- 能展示一次变更的差异、测试结果和恢复方法。
参考资料
Go 工具开发入门在团队需要独立分发工具或维护 Go 项目时补充 Go。保留 Python 作为主要自动化语言，不把第二语言当作入门前提。未开始
学习目标
在团队需要独立分发工具或维护 Go 项目时补充 Go。保留 Python 作为主要自动化语言，不把第二语言当作入门前提。
前置知识
核心知识
- 模块、类型、显式错误处理和标准库 HTTP 客户端。
- 理解 goroutine、channel 与 context 的用途，控制并发和取消。
- 构建可分发程序，使用单元测试检查输入和失败路径。
掌握标准
- 能编译一个带参数与清晰退出码的命令行工具。
- 能解释并测试程序在超时或取消后的资源释放行为。
参考资料
容器与Kubernetes
理解隔离和编排机制，再把应用部署为可运营的服务。
镜像、运行时与隔离理解容器中的进程仍受宿主机内核管理，学会区分镜像问题、启动问题和资源限制问题。未开始
学习目标
理解容器中的进程仍受宿主机内核管理，学会区分镜像问题、启动问题和资源限制问题。
前置知识
核心知识
- 镜像层、构建上下文、启动命令与不可变交付。
- namespace 提供隔离视图，cgroup 约束和统计资源。
- 持久化数据、环境变量和密钥与镜像分离，避免依赖容器可写层保存业务状态。
掌握标准
- 能解释容器重建后哪些数据保留、哪些数据丢失。
- 能结合容器状态与宿主机信息判断一次启动失败或内存限制问题。
参考资料
相关图谱与路线
Kubernetes 工作负载掌握声明期望状态和控制器协调的基本机制，能部署应用并理解服务发现，而不是只背 kubectl 命令。未开始
学习目标
掌握声明期望状态和控制器协调的基本机制，能部署应用并理解服务发现，而不是只背 kubectl 命令。
前置知识
核心知识
- Pod、Deployment、Service 与标签选择器的关系。
- 配置、密钥与持久卷的用途，以及命名空间的管理边界。
- 调度、事件、日志和容器状态共同解释工作负载为何未达到期望副本数。
掌握标准
- 能部署带 Service 的应用并验证选中的后端与预期一致。
- 能用事件和状态解释 Pending、镜像拉取失败或 CrashLoopBackOff 的排查方向。
参考资料
探针、资源与运行保障让编排配置表达应用真实的启动和服务能力，避免错误探针、资源设置和退出流程放大故障。未开始
学习目标
让编排配置表达应用真实的启动和服务能力，避免错误探针、资源设置和退出流程放大故障。
前置知识
核心知识
- startup、readiness 与 liveness 探针分别回答不同问题。
- requests、limits、资源争用与 OOM；依据观测设置资源，而不是照抄数值。
- 优雅终止、滚动更新和自愿中断预算；副本与故障域配合提高恢复能力。
掌握标准
- 能说明某次探针失败会停止流量还是重启容器。
- 能检查一次滚动更新中的连接处理、可用副本和资源变化。
参考资料
相关图谱与路线
可观测性与告警
围绕用户影响建立指标、日志、追踪与可行动告警。
指标、日志与链路追踪为定位问题设计观测信息。先确定需要回答的问题，再选择指标、日志和追踪，避免只堆积工具与数据。未开始
学习目标
为定位问题设计观测信息。先确定需要回答的问题，再选择指标、日志和追踪，避免只堆积工具与数据。
前置知识
核心知识
- 指标适合看趋势和聚合，日志补充事件细节，追踪连接跨服务调用。
- 时间同步、请求标识和上下文传播帮助关联同一次故障。
- 采样、保留周期、敏感字段与标签基数影响可用性和维护成本。
掌握标准
- 能针对一个慢请求问题说明三类观测数据各自提供什么证据。
- 能设计包含服务、时间和请求标识的事件记录，并排除敏感凭据。
参考资料
相关图谱与路线
Prometheus 指标与查询以 Prometheus 练习指标采集、查询和聚合，能够读懂服务趋势，同时识别统计方法导致的误判。未开始
学习目标
以 Prometheus 练习指标采集、查询和聚合，能够读懂服务趋势，同时识别统计方法导致的误判。
前置知识
核心知识
- Counter、Gauge 与 Histogram 的用途，以及计数器重置对查询的影响。
- 速率、错误比例和延迟分布；选择合理窗口并保留必要维度。
- 避免把用户 ID 等高基数值作为标签；聚合时核对分子分母口径。
掌握标准
- 能编写请求速率和错误比例查询，并解释统计窗口。
- 能说明平均延迟为何可能掩盖长尾，并选择合适的分布指标。
参考资料
相关图谱与路线
基于影响的可行动告警让告警触发明确行动。根据用户影响和预算消耗确定紧急程度，将趋势分析与需要立即响应的问题区分开。未开始
学习目标
让告警触发明确行动。根据用户影响和预算消耗确定紧急程度，将趋势分析与需要立即响应的问题区分开。
前置知识
核心知识
- 用症状和预算消耗识别用户影响，用资源指标辅助定位原因。
- 结合短窗口与长窗口观察消耗，平衡及时发现和噪声。
- 告警包含服务、影响、负责人和操作指引；设计去重、抑制与恢复通知。
掌握标准
- 能为一个告警写出接收人、立即动作和升级条件。
- 能解释一条误报或漏报如何产生，并提出可验证的规则修正。
参考资料
相关图谱与路线
持续交付与发布治理
让代码、配置和发布过程可追踪、可验证、可恢复。
构建、测试与可追溯制品把交付流程组织为可重复的流水线，让每次上线都能追溯到源代码、测试结果和实际部署的制品。未开始
学习目标
把交付流程组织为可重复的流水线，让每次上线都能追溯到源代码、测试结果和实际部署的制品。
前置知识
核心知识
- 从提交到测试、构建、制品保存和部署的职责边界。
- 使用唯一版本或摘要标识制品，避免同名内容在环境之间悄悄变化。
- 测试覆盖功能、配置兼容和关键失败路径；保护发布凭据与执行权限。
掌握标准
- 能根据线上版本定位对应提交、构建记录和制品。
- 能说明流水线中每个检查失败后是否允许继续发布及其理由。
参考资料
灰度验证与回滚通过小范围发布收集证据，再决定是否扩大范围。提前定义停止条件，并区分代码回滚与数据变更恢复。未开始
学习目标
通过小范围发布收集证据，再决定是否扩大范围。提前定义停止条件，并区分代码回滚与数据变更恢复。
前置知识
核心知识
- 选择可比较的基线与灰度流量，观察用户侧指标而不只看进程存活。
- 设定观察窗口、流量比例和自动或人工停止条件。
- 核对数据库与配置的前后兼容；回滚程序不一定能撤销已经写入的数据。
掌握标准
- 能为一个服务制定包含指标、停止条件和负责人的灰度方案。
- 能在测试环境验证失败版本退出后服务恢复，并记录不能直接回滚的变化。
参考资料
配置变更与发布约束把配置变更纳入和代码同等重要的治理过程，减少因默认值、作用范围和环境差异引发的事故。未开始
学习目标
把配置变更纳入和代码同等重要的治理过程，减少因默认值、作用范围和环境差异引发的事故。
前置知识
核心知识
- 配置模式、类型校验、默认值和跨字段约束。
- 按环境与作用范围审查变更，保留审计记录并核对实际生效值。
- 结合错误预算、变更窗口和风险等级安排发布；紧急变更也记录依据。
掌握标准
- 能识别一次配置变更影响的服务、实例和依赖。
- 能展示配置校验、分批应用和恢复到上一版本的完整记录。
参考资料
值班、故障响应与复盘
从接警到恢复形成协作流程，再把经验变成系统改进。
值班准备与运行手册让值班人员在异常发生时知道看哪里、联系谁、可以执行什么。用演练检验文档与访问权限是否可用。未开始
学习目标
让值班人员在异常发生时知道看哪里、联系谁、可以执行什么。用演练检验文档与访问权限是否可用。
前置知识
核心知识
- 服务归属、值班交接、升级联系人与应急访问。
- 运行手册写明症状、检查方法、操作前提和操作后的验证。
- 记录交接事项与已知风险，识别持续打断对团队的影响。
掌握标准
- 能根据一个告警找到对应服务、运行手册和升级路径。
- 能在演练中使用手册完成判断，并把缺失步骤反馈到文档。
参考资料
相关图谱与路线
故障分级、止损与协同在故障中优先恢复用户服务，并让技术调查、决策和对外状态更新保持一致。恢复后再继续验证根因。未开始
学习目标
在故障中优先恢复用户服务，并让技术调查、决策和对外状态更新保持一致。恢复后再继续验证根因。
前置知识
核心知识
- 按用户影响判断优先级，建立统一事件记录和更新时间线。
- 明确协调、技术处置和沟通职责，避免多人重复或冲突变更。
- 选择回滚、降级、限流或流量切换等措施时说明适用条件和验证方式。
掌握标准
- 能记录一次演练的影响、关键时间点、操作与恢复证据。
- 能在证据不足时提出低风险的下一步，并明确升级或停止条件。
参考资料
相关图谱与路线
复盘与改进跟踪通过无责复盘理解技术和组织条件如何共同导致故障，把结论落实成可验证的改进项。未开始
学习目标
通过无责复盘理解技术和组织条件如何共同导致故障，把结论落实成可验证的改进项。
前置知识
核心知识
- 区分事实、推测和待补充证据，重建决策当时的信息条件。
- 分析触发因素、潜在条件、影响扩大原因和恢复障碍。
- 为改进项指定负责人、优先级和验收方式，跟踪落地而不只发布报告。
掌握标准
- 能用证据写出事件时间线，避免把结论归结为个人不够小心。
- 能提出至少一项降低复发概率和一项缩短恢复时间的可验收改进。
参考资料
容量、性能与韧性
用负载和失败验证设计，理解系统在压力下的边界。
容量模型与性能定位把业务量转成资源需求，并用测量检查假设。以用户目标为约束确定扩容与优化方向。未开始
学习目标
把业务量转成资源需求，并用测量检查假设。以用户目标为约束确定扩容与优化方向。
前置知识
核心知识
- 吞吐、并发、延迟与队列之间的联系；结合请求类型估计资源消耗。
- 关注瓶颈、峰值、增长趋势与冗余容量，区分平均负载和最坏场景。
- 先建立基线再优化，每次变化核对吞吐、延迟、错误和资源成本。
掌握标准
- 能根据压测或历史数据估算一个服务的容量并列出假设。
- 能给出一个性能瓶颈的测量证据，说明优化前后的对比口径。
参考资料
相关图谱与路线
负载测试与过载保护观察系统超过正常容量时如何退化，让保护措施在压力下保持可预测，并防止恢复流量再次压垮服务。未开始
学习目标
观察系统超过正常容量时如何退化，让保护措施在压力下保持可预测，并防止恢复流量再次压垮服务。
前置知识
核心知识
- 区分基准测试、逐步加压、峰值测试和持续负载测试的目的。
- 队列上限、准入控制、限流和负载丢弃帮助控制排队与资源耗尽。
- 重试、缓存失效和自动扩缩容可能改变负载，恢复阶段也要持续观察。
掌握标准
- 能为一次测试写出负载模型、停止条件和观测指标。
- 能验证保护机制触发后关键用户路径的表现及服务恢复过程。
参考资料
相关图谱与路线
故障演练与韧性验证在可控范围内验证恢复假设，逐步发现依赖故障、实例退出和资源不足时的系统行为。先有监控和回退能力，再扩大演练范围。未开始
学习目标
在可控范围内验证恢复假设，逐步发现依赖故障、实例退出和资源不足时的系统行为。先有监控和回退能力，再扩大演练范围。
前置知识
核心知识
- 选择清晰的故障假设、影响范围和停止条件，从隔离测试环境开始。
- 演练实例退出、依赖变慢或连接中断，检查隔离、降级与恢复机制。
- 将演练结果与预期比较，记录未覆盖条件和需要修复的问题。
掌握标准
- 能写出一份包含授权范围、假设、停止信号和恢复步骤的演练方案。
- 能依据演练数据说明哪项可靠性假设被验证或被推翻。
参考资料
备份容灾、安全与成本治理
把数据恢复、权限和资源投入纳入长期可靠性管理。
备份、恢复与容灾目标以恢复成功作为备份的完成标准。结合业务确定可接受的数据丢失和恢复时间，验证副本、备份与灾难恢复的不同作用。未开始
学习目标
以恢复成功作为备份的完成标准。结合业务确定可接受的数据丢失和恢复时间，验证副本、备份与灾难恢复的不同作用。
前置知识
核心知识
- RPO 描述可接受的数据丢失时间范围，RTO 描述目标恢复时间。
- 备份频率、保留策略、独立故障域和访问权限共同影响恢复能力。
- 恢复时核对数据完整性、应用兼容性与依赖顺序，记录实际恢复耗时。
掌握标准
- 能在隔离环境完成一次恢复并验证关键数据和业务操作。
- 能把实际恢复时间与数据恢复点同既定目标对照，指出差距。
参考资料
权限、密钥与供应链基础把安全控制嵌入日常交付和运维，降低凭据泄露、越权操作和不可信制品对服务的影响。未开始
学习目标
把安全控制嵌入日常交付和运维，降低凭据泄露、越权操作和不可信制品对服务的影响。
前置知识
核心知识
- 按职责分配最小权限，区分人和服务身份，保留敏感操作审计。
- 集中管理和轮换密钥，避免进入镜像、仓库、日志或不必要的环境输出。
- 核对依赖与镜像来源、漏洞修复和运行权限；将安全检查纳入交付流程。
掌握标准
- 能检查一个服务账号的权限并说明每项授权的用途。
- 能演示测试凭据轮换后服务正常，并确认旧凭据已失效。
参考资料
资源成本与可靠性取舍用一致口径讨论可靠性投入与资源成本。将闲置资源、重复劳动和冗余设计纳入评估，不以减少资源数量作为唯一目标。未开始
学习目标
用一致口径讨论可靠性投入与资源成本。将闲置资源、重复劳动和冗余设计纳入评估，不以减少资源数量作为唯一目标。
前置知识
核心知识
- 按服务和业务量归属计算、存储、网络与运维投入，明确统计边界。
- 比较单位请求或单位任务成本，同时保留满足 SLO 和故障恢复的必要余量。
- 为扩容、缩容或架构变化记录收益、风险和复核条件，避免以短期成本破坏恢复能力。
掌握标准
- 能为一个服务定义单位业务量成本及其包含的资源项。
- 能提出一项降低成本的方案，并说明如何验证 SLO 与恢复能力仍满足要求。
参考资料
以掌握标准检验学习
按能力前进，不按天数打卡。
路线展示学习顺序与前置知识，不强制锁定节点。已有基础时，可以先检查掌握标准，再选择需要补齐的部分。进度是自己的学习记录。
老男孩教育-李导996 · 原创中文编排 · v1.0
学习目标
建立可重复的系统检查顺序。先确认业务影响，再查看服务、资源与日志；对不熟悉的命令和权限模型，回到 Linux 路线补齐基础。
前置知识
可从此节点开始；如已有基础，可对照掌握标准自查。
核心知识
- 进程、文件描述符、权限、systemd 与日志之间的关系。
- CPU、内存、磁盘和网络指标的含义，以及采样时间对结论的影响。
- 先观察后变更；保留现场、记录时间，并验证修复结果。
掌握标准
- 能根据服务日志和进程状态定位一次启动失败的原因。
- 能给出资源异常的证据，并说明下一项验证，而不是只重启服务。
参考资料
相关图谱与路线
学习目标
从一次用户请求出发，识别 DNS、连接、加密、代理和后端各自负责的环节，避免把所有超时都归为网络故障。
前置知识
可从此节点开始；如已有基础，可对照掌握标准自查。
核心知识
- DNS 解析、TCP 建连、TLS 握手与 HTTP 请求的先后关系。
- 负载均衡、反向代理、连接池与后端依赖形成的请求路径。
- 区分解析失败、连接拒绝、连接超时和应用响应错误。
掌握标准
- 能画出一个 Web 服务从客户端到数据库的请求路径。
- 能用分段观测结果说明故障发生在哪一段，并解释证据的局限。
参考资料
相关图谱与路线
学习目标
理解 SRE 如何通过工程方法改善服务。把用户体验、变更速度和维护成本放在一起考虑，识别值得消除的重复劳动。
前置知识
可从此节点开始；如已有基础，可对照掌握标准自查。
核心知识
- 从用户是否完成任务理解可靠性，避免只看机器是否在线。
- 区分必须执行的运营工作和可通过工程改进消除的重复劳动。
- 用发生频率、耗时和故障风险确定自动化改进的优先级。
掌握标准
- 能为一个熟悉的服务列出主要用户行为与失败表现。
- 能记录一类重复工作并提出可验证的改进目标。
参考资料
学习目标
选择少量能代表用户体验的指标，写清统计对象和计算口径，使不同团队对同一组数字有相同理解。
前置知识
核心知识
- 区分 SLI 测量值、SLO 目标与 SLA 约定。
- 为成功率或延迟指标定义合格事件、全部事件、测量位置和统计窗口。
- 识别服务端观测与客户端体验之间的差距，避免只使用平均延迟。
掌握标准
- 能写出一个请求成功率 SLI 的分子、分母和排除条件。
- 能解释某个指标为什么能代表用户体验，以及它遗漏了哪些失败。
参考资料
学习目标
让服务目标成为产品、研发和运维共同使用的约定。目标应有可持续的测量方式，并能随业务证据复审。
前置知识
核心知识
- 根据用户需求、历史表现和维护成本选择目标，而不是默认追求更多个 9。
- 明确滚动或日历窗口、数据来源、负责人和评审周期。
- 处理缺失数据与低流量场景，避免把没有观测误认为服务正常。
掌握标准
- 能完成一份包含指标、目标、窗口和负责人的简明 SLO 文档。
- 能用一段实际或练习数据判断达标情况，并指出口径限制。
参考资料
学习目标
把允许的失败空间转为发布和改进决策依据。预算不是鼓励出错，而是让团队对风险有共同尺度。
前置知识
核心知识
- 请求型成功率目标的预算比例为 1−SLO；允许失败量还取决于合格请求总量。
- 区分已经消耗的预算、剩余预算和消耗速度。
- 预先约定预算紧张或耗尽时的调查、发布限制和恢复条件。
掌握标准
- 能根据固定统计窗口内的请求数和目标计算允许失败量与消耗比例。
- 能说明一次预算快速消耗后应由谁采取什么行动。
参考资料
学习目标
把服务拆成可观察的组件和依赖关系，识别请求必经路径与关键状态，判断单点故障和共同故障域。
前置知识
核心知识
- 同步调用、异步消息、缓存与数据库在业务路径中的作用。
- 超时和错误如何沿依赖关系传播，以及慢依赖怎样拖住线程或连接。
- 副本数量、部署位置与共享依赖共同决定故障隔离效果。
掌握标准
- 能绘制带有调用方向、状态存储和超时边界的服务图。
- 能指出两处潜在单点或共享故障域，并说明影响范围。
参考资料
相关图谱与路线
学习目标
理解数据副本带来的可靠性收益与协调成本。围绕业务读写需求讨论一致性，而不是只记分布式术语。
前置知识
核心知识
- 区分本地状态、持久化状态与可重建缓存。
- 复制延迟、主从切换和并发更新如何影响用户读到的数据。
- 认识多数派与共识的用途；网络分区下需要明确可用性和数据语义。
掌握标准
- 能解释一次写入后读取旧值可能出现在哪些环节。
- 能为一个业务操作说明必须满足的数据语义及允许的延迟。
参考资料
学习目标
为远程调用设置明确的等待与重试边界，避免短暂故障被放大成全系统过载。
前置知识
核心知识
- 端到端期限与每跳超时预算，避免下游已经失败但上游持续等待。
- 重试上限、退避与随机抖动，以及多层重试叠加造成的请求放大。
- 幂等键和去重记录的作用；超时不一定意味着操作未执行。
掌握标准
- 能说明某个写接口是否可以安全重试，并给出理由。
- 能设计有总时限和次数上限的重试策略，估算最坏请求放大倍数。
参考资料
学习目标
用 Python 把重复流程变成有输入校验、失败处理和执行记录的小工具，逐步从一次性脚本走向可维护程序。
前置知识
核心知识
- 函数、集合、文件和 JSON 处理；用虚拟环境管理项目依赖。
- 调用接口时设置超时，处理分页、异常和部分失败；避免把凭据写入代码或日志。
- 为纯逻辑和外部调用边界编写测试，增加预览模式、退出码与可追踪日志。
掌握标准
- 能编写一个读取结构化数据并输出巡检摘要的 Python 工具。
- 能用测试覆盖正常输入、缺失字段和外部请求失败，并解释失败时的行为。
参考资料
相关图谱与路线
学习目标
把机器配置和环境变化作为可评审的代码管理。以 Ansible 等工具练习声明目标状态，再理解基础设施声明与状态管理。
前置知识
核心知识
- Git 提交、差异评审、环境隔离与变更追踪。
- 幂等执行、参数化清单与配置漂移；区分声明状态和临时执行命令。
- 先预览再应用，分批变更并核对结果；安全保存状态文件与敏感变量。
掌握标准
- 能为一项服务配置编写可重复运行的自动化任务，二次执行不产生无意义变更。
- 能展示一次变更的差异、测试结果和恢复方法。
参考资料
学习目标
在团队需要独立分发工具或维护 Go 项目时补充 Go。保留 Python 作为主要自动化语言，不把第二语言当作入门前提。
前置知识
核心知识
- 模块、类型、显式错误处理和标准库 HTTP 客户端。
- 理解 goroutine、channel 与 context 的用途，控制并发和取消。
- 构建可分发程序，使用单元测试检查输入和失败路径。
掌握标准
- 能编译一个带参数与清晰退出码的命令行工具。
- 能解释并测试程序在超时或取消后的资源释放行为。
参考资料
学习目标
理解容器中的进程仍受宿主机内核管理，学会区分镜像问题、启动问题和资源限制问题。
前置知识
核心知识
- 镜像层、构建上下文、启动命令与不可变交付。
- namespace 提供隔离视图，cgroup 约束和统计资源。
- 持久化数据、环境变量和密钥与镜像分离，避免依赖容器可写层保存业务状态。
掌握标准
- 能解释容器重建后哪些数据保留、哪些数据丢失。
- 能结合容器状态与宿主机信息判断一次启动失败或内存限制问题。
参考资料
相关图谱与路线
学习目标
掌握声明期望状态和控制器协调的基本机制，能部署应用并理解服务发现，而不是只背 kubectl 命令。
前置知识
核心知识
- Pod、Deployment、Service 与标签选择器的关系。
- 配置、密钥与持久卷的用途，以及命名空间的管理边界。
- 调度、事件、日志和容器状态共同解释工作负载为何未达到期望副本数。
掌握标准
- 能部署带 Service 的应用并验证选中的后端与预期一致。
- 能用事件和状态解释 Pending、镜像拉取失败或 CrashLoopBackOff 的排查方向。
参考资料
学习目标
让编排配置表达应用真实的启动和服务能力，避免错误探针、资源设置和退出流程放大故障。
前置知识
核心知识
- startup、readiness 与 liveness 探针分别回答不同问题。
- requests、limits、资源争用与 OOM；依据观测设置资源，而不是照抄数值。
- 优雅终止、滚动更新和自愿中断预算；副本与故障域配合提高恢复能力。
掌握标准
- 能说明某次探针失败会停止流量还是重启容器。
- 能检查一次滚动更新中的连接处理、可用副本和资源变化。
参考资料
相关图谱与路线
学习目标
为定位问题设计观测信息。先确定需要回答的问题，再选择指标、日志和追踪，避免只堆积工具与数据。
前置知识
核心知识
- 指标适合看趋势和聚合，日志补充事件细节，追踪连接跨服务调用。
- 时间同步、请求标识和上下文传播帮助关联同一次故障。
- 采样、保留周期、敏感字段与标签基数影响可用性和维护成本。
掌握标准
- 能针对一个慢请求问题说明三类观测数据各自提供什么证据。
- 能设计包含服务、时间和请求标识的事件记录，并排除敏感凭据。
参考资料
相关图谱与路线
学习目标
以 Prometheus 练习指标采集、查询和聚合，能够读懂服务趋势，同时识别统计方法导致的误判。
前置知识
核心知识
- Counter、Gauge 与 Histogram 的用途，以及计数器重置对查询的影响。
- 速率、错误比例和延迟分布；选择合理窗口并保留必要维度。
- 避免把用户 ID 等高基数值作为标签；聚合时核对分子分母口径。
掌握标准
- 能编写请求速率和错误比例查询，并解释统计窗口。
- 能说明平均延迟为何可能掩盖长尾，并选择合适的分布指标。
参考资料
相关图谱与路线
学习目标
让告警触发明确行动。根据用户影响和预算消耗确定紧急程度，将趋势分析与需要立即响应的问题区分开。
前置知识
核心知识
- 用症状和预算消耗识别用户影响，用资源指标辅助定位原因。
- 结合短窗口与长窗口观察消耗，平衡及时发现和噪声。
- 告警包含服务、影响、负责人和操作指引；设计去重、抑制与恢复通知。
掌握标准
- 能为一个告警写出接收人、立即动作和升级条件。
- 能解释一条误报或漏报如何产生，并提出可验证的规则修正。
参考资料
相关图谱与路线
学习目标
把交付流程组织为可重复的流水线，让每次上线都能追溯到源代码、测试结果和实际部署的制品。
前置知识
核心知识
- 从提交到测试、构建、制品保存和部署的职责边界。
- 使用唯一版本或摘要标识制品，避免同名内容在环境之间悄悄变化。
- 测试覆盖功能、配置兼容和关键失败路径；保护发布凭据与执行权限。
掌握标准
- 能根据线上版本定位对应提交、构建记录和制品。
- 能说明流水线中每个检查失败后是否允许继续发布及其理由。
参考资料
学习目标
通过小范围发布收集证据，再决定是否扩大范围。提前定义停止条件，并区分代码回滚与数据变更恢复。
前置知识
核心知识
- 选择可比较的基线与灰度流量，观察用户侧指标而不只看进程存活。
- 设定观察窗口、流量比例和自动或人工停止条件。
- 核对数据库与配置的前后兼容；回滚程序不一定能撤销已经写入的数据。
掌握标准
- 能为一个服务制定包含指标、停止条件和负责人的灰度方案。
- 能在测试环境验证失败版本退出后服务恢复，并记录不能直接回滚的变化。
参考资料
学习目标
把配置变更纳入和代码同等重要的治理过程，减少因默认值、作用范围和环境差异引发的事故。
前置知识
核心知识
- 配置模式、类型校验、默认值和跨字段约束。
- 按环境与作用范围审查变更，保留审计记录并核对实际生效值。
- 结合错误预算、变更窗口和风险等级安排发布；紧急变更也记录依据。
掌握标准
- 能识别一次配置变更影响的服务、实例和依赖。
- 能展示配置校验、分批应用和恢复到上一版本的完整记录。
参考资料
学习目标
让值班人员在异常发生时知道看哪里、联系谁、可以执行什么。用演练检验文档与访问权限是否可用。
前置知识
核心知识
- 服务归属、值班交接、升级联系人与应急访问。
- 运行手册写明症状、检查方法、操作前提和操作后的验证。
- 记录交接事项与已知风险，识别持续打断对团队的影响。
掌握标准
- 能根据一个告警找到对应服务、运行手册和升级路径。
- 能在演练中使用手册完成判断，并把缺失步骤反馈到文档。
参考资料
相关图谱与路线
学习目标
在故障中优先恢复用户服务，并让技术调查、决策和对外状态更新保持一致。恢复后再继续验证根因。
前置知识
核心知识
- 按用户影响判断优先级，建立统一事件记录和更新时间线。
- 明确协调、技术处置和沟通职责，避免多人重复或冲突变更。
- 选择回滚、降级、限流或流量切换等措施时说明适用条件和验证方式。
掌握标准
- 能记录一次演练的影响、关键时间点、操作与恢复证据。
- 能在证据不足时提出低风险的下一步，并明确升级或停止条件。
参考资料
相关图谱与路线
学习目标
通过无责复盘理解技术和组织条件如何共同导致故障，把结论落实成可验证的改进项。
前置知识
核心知识
- 区分事实、推测和待补充证据，重建决策当时的信息条件。
- 分析触发因素、潜在条件、影响扩大原因和恢复障碍。
- 为改进项指定负责人、优先级和验收方式，跟踪落地而不只发布报告。
掌握标准
- 能用证据写出事件时间线，避免把结论归结为个人不够小心。
- 能提出至少一项降低复发概率和一项缩短恢复时间的可验收改进。
参考资料
学习目标
把业务量转成资源需求，并用测量检查假设。以用户目标为约束确定扩容与优化方向。
前置知识
核心知识
- 吞吐、并发、延迟与队列之间的联系；结合请求类型估计资源消耗。
- 关注瓶颈、峰值、增长趋势与冗余容量，区分平均负载和最坏场景。
- 先建立基线再优化，每次变化核对吞吐、延迟、错误和资源成本。
掌握标准
- 能根据压测或历史数据估算一个服务的容量并列出假设。
- 能给出一个性能瓶颈的测量证据，说明优化前后的对比口径。
参考资料
相关图谱与路线
学习目标
观察系统超过正常容量时如何退化，让保护措施在压力下保持可预测，并防止恢复流量再次压垮服务。
前置知识
核心知识
- 区分基准测试、逐步加压、峰值测试和持续负载测试的目的。
- 队列上限、准入控制、限流和负载丢弃帮助控制排队与资源耗尽。
- 重试、缓存失效和自动扩缩容可能改变负载，恢复阶段也要持续观察。
掌握标准
- 能为一次测试写出负载模型、停止条件和观测指标。
- 能验证保护机制触发后关键用户路径的表现及服务恢复过程。
参考资料
相关图谱与路线
学习目标
在可控范围内验证恢复假设，逐步发现依赖故障、实例退出和资源不足时的系统行为。先有监控和回退能力，再扩大演练范围。
前置知识
核心知识
- 选择清晰的故障假设、影响范围和停止条件，从隔离测试环境开始。
- 演练实例退出、依赖变慢或连接中断，检查隔离、降级与恢复机制。
- 将演练结果与预期比较，记录未覆盖条件和需要修复的问题。
掌握标准
- 能写出一份包含授权范围、假设、停止信号和恢复步骤的演练方案。
- 能依据演练数据说明哪项可靠性假设被验证或被推翻。
参考资料
学习目标
以恢复成功作为备份的完成标准。结合业务确定可接受的数据丢失和恢复时间，验证副本、备份与灾难恢复的不同作用。
前置知识
核心知识
- RPO 描述可接受的数据丢失时间范围，RTO 描述目标恢复时间。
- 备份频率、保留策略、独立故障域和访问权限共同影响恢复能力。
- 恢复时核对数据完整性、应用兼容性与依赖顺序，记录实际恢复耗时。
掌握标准
- 能在隔离环境完成一次恢复并验证关键数据和业务操作。
- 能把实际恢复时间与数据恢复点同既定目标对照，指出差距。
参考资料
学习目标
把安全控制嵌入日常交付和运维，降低凭据泄露、越权操作和不可信制品对服务的影响。
前置知识
核心知识
- 按职责分配最小权限，区分人和服务身份，保留敏感操作审计。
- 集中管理和轮换密钥，避免进入镜像、仓库、日志或不必要的环境输出。
- 核对依赖与镜像来源、漏洞修复和运行权限；将安全检查纳入交付流程。
掌握标准
- 能检查一个服务账号的权限并说明每项授权的用途。
- 能演示测试凭据轮换后服务正常，并确认旧凭据已失效。
参考资料
学习目标
用一致口径讨论可靠性投入与资源成本。将闲置资源、重复劳动和冗余设计纳入评估，不以减少资源数量作为唯一目标。
前置知识
核心知识
- 按服务和业务量归属计算、存储、网络与运维投入，明确统计边界。
- 比较单位请求或单位任务成本，同时保留满足 SLO 和故障恢复的必要余量。
- 为扩容、缩容或架构变化记录收益、风险和复核条件，避免以短期成本破坏恢复能力。
掌握标准
- 能为一个服务定义单位业务量成本及其包含的资源项。
- 能提出一项降低成本的方案，并说明如何验证 SLO 与恢复能力仍满足要求。