华为云，春节保障纪实( 二 ) “把上海、广州两个站点网络

事实上，这已经不是传统意义上的运维团队了。
无论是日常排除风险故障、维持系统稳定的红军，还是春节值守的“特战队” ，都来自华为云内部一只“训练有素”的团队——SRE 。
SRE这个概念，最早定义是“用软件工程的方法从事运维活动” 。在华为云这里还要更精细一点，诞生出了“确定性”的方法论，来达成“高可用”的目标。
一言以蔽之，就是在设计产品时就考虑高可用的架构、并将风险控制做到动态清零、再加上智能化运维平台，来控制不确定性的风险，达成确定性的风控质量。
SRE团队自主研发了一个智能运维平台，用数据驱动的方法，将运维过程变得标准化、自动化。具体而言，这个平台不仅能实时记录运维数据，还能度量全流程各个环节的质量，真正做到缩短问题发现、故障定位和修复的时间。
如今，平台的监控指标数量已经达到160亿/小时，运维系统用户数达到10000+ ，变更频率每分钟2次，兼顾智能运维和日志记录等功能。
在智能运维平台以外， SRE团队还会借助流量预估等工作，来进一步提升系统的可用性，降低风险发生的概率。
具体来说，是通过特定的算法模型，结合指标对资源使用情况进行预估。
在华为云背后，有一个博士军团，其中有专门的算法创新实验室，研究人员会协助流量预估人员进行算法调优，像近期实验室一篇关于用强化学习求解虚拟机调度问题的论文，已经被顶级期刊PatternRecognition接收。
同时，还会借助云操作系统和全域调度等技术，高效“压榨”并分配有限的流量资源，包括采用“瑶光”智慧云脑，负责整个云的资源分配、部署、调动和供给，以及结合全域调度等技术，进一步精细化资源的利用效率等。
目前，华为云系统的故障发生率也被压制在0.01%以下，即一年故障发生的时间保持在53分钟以内。
数字世界的春节保卫战
事实上，华为云今年投入春节保卫战的人力，前后已经接近1000人。
其中整个SRE团队几百人，更是一直处于“全员在线”的备战状态。
某种程度上，他们与传统行业里的员工一样，是保障我们生活便利的春节值守人。
只不过维度从线下的物理世界转变到了线上的数字世界。
在运维行业干了20多年的张智认为，春节的味道其实并没有变，只是换了个地方过年。
以前春节主要是在物理世界，但现在数字世界的春节可能比物理世界更热闹。现在我在数字世界上，也可以跟朋友一起过春节、抢红包、刷视频。
见证过不少同行灾难发生的他，认为这份值守不可或缺：
你不知道风险什么时候会发生。但SRE可以真正降低遇到风险的可能性。
从其他岗位转到SRE的石胜兵，虽然调侃了一下这个身份在春节中的特殊性：
SRE算是华为云背后的角色。我们其实很少在像春节这样的节日中“露面” ，因为真出现的时候，往往都“不是一些好事” 。
但这份工作却让他感受到“新的春天”：
我在华为工作了二十年，来这个团队一年半。原以为上个岗位就是职业生涯的最后一个，现在感觉新的春天到来。
一方面体现在SRE本身，它是华为云最年轻的团队。
另一方面，随着行业快速成长，年轻的SRE正成为云服务质量保障的中坚力量。
其实这种对数字生活的保障，也并非孤例。
平时出行的电子公交卡、一键打车，吃饭时的数字支付、生病时的在线预约，再到网购和线上游戏聚会，回想起来我们已经离不开数字化的生活。