⚙️ مهندسی قابلیت اطمینان در مقیاس Google

🌐 Google پایه‌گذار رویکرد Site Reliability Engineering یا SRE است؛ رویکردی که قابلیت اطمینان را در تمام مسیر کاربر و در سیستم‌های مصرفی، سازمانی و زیرساختی دنبال میکنه. ویرایش دوم و کاملاً بازنگری‌شده کتاب Site Reliability Engineering، تجربه‌های ده سال اخیر Google را همراه با روش‌های مهندسی، فرایندهای سازمانی، مطالعات موردی و نقش AI در آینده SRE ارائه میده.

✨ ویژگی‌های کلیدی

🆕 ارائه تازه‌ترین روش‌های SRE برای آموزش Site Reliability Engineerهای جدید و توسعه مهارت متخصصان باتجربه.

🏗️ آموزش ساخت سازمان‌های مهندسی که Reliability را به‌عنوان یکی از ویژگی‌های اصلی محصول در نظر میگیرن.

📡 بررسی طراحی و اجرای سرویس‌های آنلاین مقیاس‌پذیر، قابل‌اعتماد و کارآمد با استفاده از SLO، Observability، Monitoring و Incident Management.

🤖 بررسی نقش دوطرفه AI و SRE؛ هم مسئولیت SRE در قابل‌اعتماد کردن سیستم‌های AI و هم استفاده از AI برای Automation، تشخیص Incident، برنامه‌ریزی ظرفیت و توسعه نرم‌افزار.

📘 توضیح کتاب

🌍 Google با معرفی Site Reliability Engineering، قابلیت اطمینان را از یک موضوع محدود زیرساختی به اصلی مهم در تمام Engineering Lifecycle تبدیل کرد. بعد از انتشار ویرایش اول پرفروش این کتاب، سازمان‌های زیادی از اصول اون برای ساخت و نگهداری سیستم‌های Production استفاده کردن. ویرایش دوم با دیدگاه‌ها و تجربه‌های تازه منتشر شده تا این اصول را با شرایط امروز هماهنگ کنه.

👥 اعضای کلیدی تیم SRE در Google، شیوه‌های فعلی این شرکت را بررسی میکنن و توضیح میدن این روش‌ها در طول ده سالی که از انتشار ویرایش اول گذشته، چطور تغییر کردن. ارزش Reliability، قابلیت اطمینان در Cloud، اثر AI، ساختار تیم‌ها، مدل‌های همکاری و فرایندهای سازمانی از موضوعات جدید و گسترش‌یافته این ویرایش هستن.

☁️ در دهه گذشته، فناوری‌های زیربنایی موردنیاز برای اجرای سیستم‌های Distributed در مقیاس بالا، استانداردتر و عمومی‌تر شدن. امروزه سازمان‌ها، مگر در شرایطی با نیازهای بسیار خاص، معمولاً Load Balancer یا سیستم Distributed Consensus مبتنی بر Paxos را از ابتدا نمیسازن؛ بلکه اون را به‌عنوان سرویس از Cloud Provider دریافت میکنن یا از نمونه‌های Open Source استفاده میکنن.

🤖 هم‌زمان، AI با سرعت زیادی در حال تغییر SRE و بسیاری از حوزه‌های مهندسیه. نویسندگان تأکید میکنن که هیچ ابزار پیشگویی دقیقی برای فهم شرایط Production در ده سال یا حتی ده ماه آینده وجود نداره. بااین‌حال، اصول اساسی ثابت موندن: متخصصان SRE همچنان Engineerهایی هستن که روی Reliability سیستم‌ها و سرویس‌های Distributed در مقیاس بالا تمرکز میکنن.

🤝 تمرکز این ویرایش بیشتر به سمت جنبه‌های Sociotechnical رفته؛ یعنی تعامل میان فناوری، انسان، فرهنگ و ساختار سازمانی. کتاب توضیح میده فعالیت‌های SRE چه ارزشی ایجاد میکنن، این ارزش چطور باید در سازمان ارائه و نمایندگی بشه و چه شرایطی برای عملکرد درست تیم‌ها لازمه. این موضوع ده سال قبل هم مهم بود، اما امروز اهمیت بیشتری پیدا کرده.

🧩 مدیریت کامل چرخه عمر نرم‌افزار حالا با نام‌های مختلفی انجام میشه. نویسندگان پیش‌تر در The Site Reliability Workbook رابطه میان DevOps و SRE را بررسی کرده بودن، اما از اون زمان Platform Engineering هم به یکی از حوزه‌های مهم صنعت تبدیل شده. Staff Engineerها نیز اغلب ترکیبی از تخصص عمیق و مسئولیت جامع را بر عهده دارن که از ویژگی‌های اصلی SRE محسوب میشه. فارغ از عنوان شغلی، مطالب کتاب برای هر کسی که به سیستم‌های Production اهمیت میده کاربرد داره.

👶 ویرایش اول، کارهای قبل و بعد از تولد یک سیستم را به زایمان، فرزندپروری و کارهای خانه تشبیه میکرد. این تشبیه همچنان معتبره؛ چون ساخت و عرضه اولیه سیستم‌ها آسان‌تر شده، اما هنوز مشخص نیست نگهداری، مراقبت و کارهای روزمره اون‌ها هم به همون اندازه آسان شده باشه. بخش مهمی از Software Engineering به تشخیص چیزهایی مربوط میشه که میشه با خیال راحت نادیده گرفت، اما وجود یک چرخه عمر کامل برای سیستم چیزی نیست که بشه نادیده‌اش گرفت.

🧱 Technical Debt یکی دیگه از مفاهیمیه که در دهه گذشته اهمیت بیشتری پیدا کرده. این بدهی زمانی شکل میگیره که لایه‌های نرم‌افزار بیش‌ازحد روی هم ساخته میشن، Abstractionها به مرز فروپاشی میرسن و انتقال تغییرات به Production شبیه فرو کردن یک مکعب در سوراخی گرد با چکش میشه؛ چکشی که گاهی برمیگرده و به زانوی خود مهندس ضربه میزنه. در نهایت، ساختار سیستم به‌اندازه‌ای دشوار میشه که تیم فقط میخواد اجزای ساخته‌شده را از هم جدا کنه.

⚠️ Technical Debt فقط باعث نارضایتی Developerها نمیشه؛ برای افرادی که به Production اهمیت میدن، این بدهی یکی از نشانه‌های اولیه Unreliability است. همون‌طور که بدهی مالی میتونه ابزاری برای رشد باشه، بدهی نرم‌افزاری هم همیشه بد نیست. گاهی سازمان برای عرضه سریع‌تر یک قابلیت، از بخشی از معماری مقاوم یا آزمایش‌های جامع صرف‌نظر میکنه و از ثبات آینده خودش قرض میگیره.

💸 بدهی نرم‌افزاری هم مثل بدهی مالی باید همراه با سود بازپرداخت بشه. این سود در Production به شکل پیچیدگی، اصطکاک و سیستم‌های شکننده ظاهر میشه و هر میانبر، حاشیه خطای تیم را کمتر میکنه. اگر بدهی نادیده گرفته بشه، هزینه اون به‌صورت پنهانی روی هم جمع میشه و در نهایت میتونه به «ورشکستگی قابلیت اطمینان» منجر بشه؛ یعنی Outageای که اعتماد کاربران را از بین میبره یا Codebaseای که هیچ‌کس حاضر نیست روی اون کار یا حتی اون را Deploy کنه.

⚖️ SRE به‌دنبال حذف کامل Technical Debt نیست، چون چنین هدفی هم از نظر اقتصادی غیرمنطقیه و هم برای هر سیستم مفیدی در عمل امکان‌پذیر نیست. SRE روشی برای مدیریت این سبد ریسک محسوب میشه. متخصصان این حوزه هم Engineer هستن و هم مشاور Production؛ افرادی که به سازمان کمک میکنن تصمیم بگیره چه زمانی میشه با خیال راحت بدهکار شد و چه زمانی باید براساس سقف ریسک توافق‌شده، توسعه قابلیت‌های جدید را موقتاً متوقف کرد و اصل بدهی را کاهش داد.

🎯 این ویرایش درباره مدیریت همین تعادله. با وجود تغییر سیستم‌ها و روش‌های اجرایی در ده سال گذشته، Reliability همچنان یک وضعیت ثابت نیست که یک‌بار به دست بیاد و فراموش بشه؛ بلکه مذاکره‌ای دائمی میان پیچیدگی و نیازهای کسب‌وکار به حساب میاد. کتاب ابزارها، فرهنگ و روش‌هایی را بررسی میکنه که Google برای مدیریت این پیچیدگی و ارائه سرویس‌های قابل‌اعتماد استفاده میکنه.

🎯 چیزهایی که یاد میگیری

🧑‍🏫 یاد میگیری Site Reliability Engineerهای جدید را براساس تازه‌ترین روش‌های این حوزه آموزش بدی.

🏢 میتونی ساختارهای سازمانی و مدل‌های همکاری مناسبی برای تیم‌های SRE ایجاد کنی.

📊 با طراحی Service Level Objective یا SLO، Observability و Monitoring آشنا میشی.

🚨 یاد میگیری Incident Management، On-Call و یادگیری سازمانی از Incidentها را بهتر مدیریت کنی.

🛡️ با Safety Engineering برای SRE و استفاده از روش‌های STPA و CAST آشنا میشی.

🧰 میتونی Automation، Tooling، Testing، Capacity Planning و Data Management را در زیرساخت‌های Production بهبود بدی.

🏗️ یاد میگیری محصولات Resilient طراحی کنی و نقش Platform Engineering را در SRE درک کنی.

🤖 آشنا میشی که SRE چطور از سیستم‌های AI پشتیبانی میکنه و AI چطور میتونه فعالیت‌های SRE را متحول کنه.

💰 میتونی ارزش Reliability، بازگشت سرمایه آموزش و هزینه‌های ناشی از Technical Debt را بهتر ارزیابی کنی.

🌍 درک میکنی SRE در محیط‌های مختلف چطور اجرا میشه و آینده این حوزه به چه سمتی حرکت میکنه.

👤 این کتاب برای چه کسانیه؟

🛠️ این کتاب برای Site Reliability Engineerها، Platform Engineerها، Production Engineerها، Staff Engineerها و متخصصانی مناسبه که مسئول ساخت، اجرا یا نگهداری سیستم‌های Production هستن.

👥 مدیران مهندسی، رهبران فنی و افرادی که میخوان Reliability را به بخشی از فرهنگ، ساختار و قابلیت‌های اصلی سازمان تبدیل کنن هم میتونن از چارچوب‌های عملی کتاب استفاده کنن.

🤖 این ویرایش برای تیم‌هایی که سیستم‌های AI را وارد Production میکنن یا قصد دارن از AI در Automation، Incident Detection، Observability، Capacity Planning و Software Engineering استفاده کنن، اهمیت ویژه‌ای داره.

📝 نقد و بررسی

💭 «چطور میشه یک اثر کلاسیک و ماندگار در حوزه SRE را ویرایش کرد، یا شاید مهم‌تر از اون، چرا باید چنین کاری انجام داد؟ آن هم در دوره‌ای از تغییرات عمیق که انگار هر چیزی که مینویسیم ممکنه با جوهر نامرئی نوشته شده باشه. پاسخ کوتاه اینه که Google و بقیه دنیای SRE بعد از انتشار ویرایش اول همچنان به یادگیری ادامه دادن. ویرایش دوم کتاب SRE این درس‌ها را منتقل میکنه؛ از اینکه برای موفقیت در SRE باید روی چه چیزهایی تمرکز کرد و کجا اشتباه کردیم تا اینکه گذشته چطور میتونه هنگام حرکت در آینده‌ای که به‌شکل نابرابر توزیع شده، راهنمای ما باشه.»

— دیوید اِن. بلنک‌ـ‌ادلمن، نویسنده Becoming SRE، ویراستار و گردآورنده Seeking SRE و هم‌بنیان‌گذار SREcon

💭 «ده سال از انتشار ویرایش اول کتاب SRE گذشته و باید اعتراف کنم نسخه من به قفسه‌ای در دورترین بخش دفتر منتقل شده بود؛ قطعاً مفید بود، اما کتابی نبود که لازم باشه هر روز از کنار میز به اون دسترسی داشته باشم. وقتی این ویرایش جدید را دریافت کردم، انتظار داشتم موضوعات آشنا را سریع رد کنم تا به چند تکنیک تازه، احتمالاً درباره AI، برسم. اما در عوض ساعت‌ها مشغول مطالعه شدم. ایده‌های هوشمندانه‌ای درباره AI Reliability وجود داره، اما در تمام بخش‌های دیگه هم ایده‌های تازه دیده میشه. سطح پیشرفته این حوزه طی ده سال مسیر زیادی را طی کرده و همه اون در این کتاب جمع شده. این یک راهنمای عمیق، جامع و عملی از نویسندگانیه که تمام دوران کاری خودشون را صرف حرفه‌ای شدن در ساخت و اجرای سیستم‌های قابل‌اعتماد کردن؛ کتابی که باید در قفسه درست کنار میز قرار بگیره.»

— تانیا رایلی، Principal Engineer و نویسنده The Staff Engineer’s Path

💭 «به‌خصوص از نحوه پرداخت این نسخه به AI در SRE هیجان‌زده‌ام. این موضوع معمولاً از یک طرف با هیاهو و اغراق فراوان و از طرف دیگه با منفی‌نگری و انکار همراهه. کتاب با مثال‌های دقیق، کاربرد AI در Incident Management، Observability، Capacity Planning و البته Software Engineering را بررسی میکنه. مهم‌تر از همه، مستقیماً به دو پرسش اصلی پاسخ میده: SRE برای مدیریت سیستم‌های AI باید چه کاری انجام بده و AI چطور میتونه فعالیت ما در SRE را متحول کنه. این ویرایش دومِ اثری ضروری، حتماً باید تهیه بشه.»

— تاد آندروود، بنیان‌گذار AI/ML SRE در Google، مدیر سابق Reliability در Anthropic و نویسنده Reliable Machine Learning

💭 «در عصر Agentic Coding، پرسش دشوار دیگه این نیست که “آیا میتونیم اون را بسازیم؟”، بلکه اینه که “آیا درست کار میکنه؟” و برای پاسخ دادن به این سؤال در مقیاس بالا، راهنمایی بهتر از این کتاب وجود نداره. برای هر تیمی که سیستم‌های تولیدشده با AI را وارد Production میکنه، به‌اندازه وزنش طلا ارزش داره.»

— نوآ گیفت، بنیان‌گذار Pragmatic AI Labs

💭 «راهنمایی فوق‌العاده جامع و آینده‌نگر برای SRE که اصول بنیادی را با راهنمایی‌های عملی و دقیق فنی برای محیط‌های Production مدرن ترکیب میکنه. نویسندگان به‌شکل درخشانی Reliability Engineering را به فرهنگ سازمانی، Resilience، Automation و نقش به‌سرعت در حال تغییر AI متصل کردن و این کتاب را به منبعی ارزشمند برای متخصصان و رهبران تبدیل کردن.»

— لیپی دیپاکشی پاتنایک، Software Development Engineer در Uber

💭 «ویرایش دوم Site Reliability Engineering کتاب مرجع صنعت SRE است و کار اولیه Google را که به شکل‌گیری SRE به‌عنوان یک رشته کمک کرد، گسترش میده. نویسندگان، بتسی بایر، کریس جونز، کریستوف لنگ، دیوید هاسکا، جنیفر پتوف و نیال ریچارد مورفی، تجربه عملی استثنایی Google SRE را ارائه میکنن و کتاب را به منبعی بسیار ارزشمند برای افراد فعال در سطح Senior یا Leadership در Reliability Engineering تبدیل میکنن.»

— جان اوکانر، Senior SRE بخش Observability در Citi Bank

💭 «راهنمایی جامع و ضروری برای Site Reliability Engineering مدرن در دوره‌ای که شیوه فعالیت تیم‌های مهندسی و مدیریت سیستم‌ها در Production با سرعت زیادی در حال تغییره.»

— لیز فونگ‌ـ‌جونز، Technical Fellow در Honeycomb و هم‌نویسنده Observability Engineering

💭 «ویرایش دوم Site Reliability Engineering راهنمایی ضروری برای ساخت سیستم‌های Resilient در دوره افزایش پیچیدگی و AI است. نویسندگان، خرد عملی به‌دست‌آمده از تجربه را با درکی عمیقاً انسانی از فرهنگ، ریسک و یادگیری ترکیب کردن؛ اثری ضروری برای هر کسی که مسئول سیستم‌هاییه که باید اعتماد کاربران را به دست بیارن و اون را حفظ کنن.»

— یک مهندس AI فعال در صنعت خودرو

💭 «مطالعه‌ای ضروری برای هر کسی که سرویس‌هایی در مقیاس بزرگ اجرا میکنه؛ یا در واقع هر مقیاسی. مطالب جدید مربوط به AI مقدمه بسیار خوبی ارائه میکنن تا تیم SRE بتونه از این فناوری برای پشتیبانی از سازمان استفاده کنه.»

— خسوس کلیمنت، SRE در Mercadona Tech

💭 «نرم‌افزار در حال حرکت از سیستم‌های Deterministic به سمت سیستم‌های AI-Driven است؛ جایی که دستورالعمل‌های سنتی Reliability دیگه کاربرد ندارن. این کتاب چارچوب عملی موردنیاز رهبران مهندسی را برای ساخت و حفظ Reliability در عصر AI ارائه میده.»

— سیلوین کالاچ، مدیر AI Labs در Rootly

💭 «یک دهه قبل، Site Reliability Engineering خیلی زود به راهنمای مرجع تیم‌هایی تبدیل شد که وظیفه ساخت و نگهداری سرویس‌های قابل‌اعتماد در مقیاس جهانی را بر عهده داشتن. این ویرایش، راهنمایی‌های کتاب را برای عصر AI به‌روز میکنه؛ عصری که بعضی جنبه‌های کار آسان‌تر و بعضی بسیار دشوارتر شدن. انتظار دارم این اثر در سال‌های آینده هم به همون اندازه برای متخصصان ضروری باقی بمونه.»

— کریس دیورز، Software Toolsmith

💭 «بعد از مشارکت در کتاب اصلی Site Reliability Engineering و سال‌ها به‌کارگیری این ایده‌ها در صنعت، خوشحالم که ویرایش دومی منتشر شده که به‌طور جدی به تکامل عملی SRE میپردازه. کتاب چالش‌هایی را بررسی میکنه که خارج از Google اهمیت زیادی دارن؛ از مدل‌های مختلف همکاری SRE گرفته تا پایه‌های فرهنگی و سازمانی لازم برای موفقیت Reliability Engineering. به‌خصوص از اینکه Google استفاده از STPA را در Software Reliability و Operational Reliability پیش میبره هیجان‌زده‌ام، چون تفکر Systems Safety را در اختیار جامعه بسیار گسترده‌تری از مهندسان قرار میده. این کتاب فقط به‌روزرسانی یک متن بنیادی نیست؛ بلکه بازتاب‌دهنده حوزه‌ایه که طی یک دهه تجربه واقعی، بالغ‌تر و متنوع‌تر شده و یاد گرفته است.»

— لورا نولان، Senior Staff Software Engineer

💭 «این کتاب روشن‌ترین و کامل‌ترین توضیح درباره تکامل SRE در واکنش به تغییرات فراوان دهه گذشته است؛ از روندهای زیرساختی گرفته تا اینکه AI چطور تمام عوامل مؤثر بر Reliability را شکل میده و خودش از اون‌ها تأثیر میگیره. این کتاب را به Engineerهایی که سیستم‌های قابل‌اعتماد میسازن و اجرا میکنن و همچنین رهبرانی که باید واقعیت این فعالیت‌ها را درک کنن، پیشنهاد میکنم.»

— آندریا اسپاداچینی، Principal Software Engineer بخش SRE در Microsoft

📖 فهرست مطالب

بخش اول. SRE در بستر واقعی

فصل ۱. مقدمه: مدل‌سازی کاری که انجام میدیم و دلیل انجام اون

فصل ۲. ارزش قابلیت اطمینان

فصل ۳. روندهای محیط Production

بخش دوم. پایه‌های اجتماعی‌ـ‌فنی

فصل ۴. بستر فرهنگی SRE

فصل ۵. استخدام، آموزش و مدیریت مسیر شغلی SRE

فصل ۶. ساختارهای سازمانی برای SRE

فصل ۷. مدل‌های همکاری SRE

بخش سوم. آگاهی موقعیتی و آمادگی مستمر

فصل ۸. اهداف سطح سرویس

فصل ۹. Observability و Monitoring

فصل ۱۰. مدیریت Incident و On-Call

فصل ۱۱. یادگیری از Incidentها

فصل ۱۲. مهندسی ایمنی برای SRE با STPA و CAST

بخش چهارم. طراحی زیرساخت

فصل ۱۳. Automation و Tooling

فصل ۱۴. Testing

فصل ۱۵. برنامه‌ریزی ظرفیت

فصل ۱۶. مدیریت داده

بخش پنجم. محصولات Resilient و قابلیت اطمینان Emergent

فصل ۱۷. طراحی برای Resilience

فصل ۱۸. Platform Engineering در SRE

بخش ششم. چشم‌انداز

فصل ۱۹. SRE در نقطه عطف

فصل ۲۰. نحوه پشتیبانی SRE از AI

فصل ۲۱. نحوه پشتیبانی AI از SRE

فصل ۲۲. SRE در محیط‌های متنوع

فصل ۲۳. آینده SRE

پیوست A. محاسبه ROI سرمایه‌گذاری روی آموزش

پیوست B. قالب منشور تیم SRE

پیوست C. نمونه منشور تیم SRE

پیوست D. نمونه صورت‌جلسه Production

پیوست E. ریاضیات ترکیب SLOها

پیوست F. ریاضیات هشداردهی Latency

پیوست G. Observability مدرن: آمار و ML

👥 درباره نویسندگان

👩‍💼 بتسی بایر نزدیک به ۲۰ سال در Google فعالیت کرده و تازه‌ترین مسئولیت او Program Manager در Site Reliability Engineering بوده است. او ویراستار سه کتاب در این حوزه، از جمله ویرایش اول پرفروش همین کتاب، بوده و ریاست مشترک هیئت تحریریه ACM Queue را هم بر عهده داره. بتسی پیش‌تر در تیم‌های Datacenter و Hardware Operations شرکت Google فعالیت میکرد. او قبل از نقل‌مکان به نیویورک، مدرس Technical Writing در Stanford University بود و مدارکی از Stanford و Tulane داره.

👨‍💻 کریس جونز، Site Reliability Engineer در Google Maps و ساکن San Francisco است. او پیش‌تر مسئول نگهداری و مدیریت Google App Engine بوده؛ یک محصول Cloud Platform-as-a-Service که روزانه بیش از ۲۸ میلیارد درخواست را پردازش میکرد. کریس در حوزه‌های Privacy Engineering و Academic IT هم فعالیت کرده، داده‌های کمپین‌های سیاسی را تحلیل کرده و مقداری BSD Kernel Hacking انجام داده است. او در طول این مسیر مدارکی در Computer Engineering، Economics و Technology Policy دریافت کرده و یک Licensed Professional Engineer هم هست.

👨‍🔬 کریستوف لنگ بیش از ۱۱ سال به‌عنوان Site Reliability Engineer در دفترهای Dublin و Munich شرکت Google فعالیت کرده است. او روی سیستم‌های تبلیغات، Cloud و زیرساخت داخلی Developerهای Google کار کرده و در طول این سال‌ها تیم‌های مختلفی را ساخته و مدیریت کرده است. کریستوف مسئول برنامه‌های مرکزی Google SRE، از جمله SRE Engagement Model، برنامه Production Excellence یا ProdEx و Production Launch Reviewها بوده است. او مدرک PhD در Computer Science از TU Darmstadt داره و دوره Postdoc خود را در ICSI و UC Berkeley گذرانده است. او همچنین نایب‌رئیس German Informatics Society یا GI بوده و همراه همسر، سه فرزند و دو گربه خود در Darmstadt زندگی میکنه.

⛵ دیوید هاسکا، Software Engineer و Site Reliability Engineer در Google است و با استفاده از AI روی افزایش بهره‌وری و قابلیت اطمینان در مقیاس بالا کار میکنه. سابقه عملیاتی او شامل فعالیت در Cloud Incident Response Team شرکت Google، یعنی نقطه Escalation میان‌سرویسی برای Incidentهای بزرگ Google Cloud، و همچنین Google Maps میشه. دیوید مستقیماً به بزرگ‌ترین مشتریان سازمانی Google Cloud برای ادغام Best Practiceهای SRE در سرویس‌ها و عملیاتشون مشاوره داده است. او هم‌نویسنده و ویراستار مشارکت‌کننده کتاب‌های The Site Reliability Workbook و Building Secure and Reliable Systems از O’Reilly است. دیوید بیش از ۱۵ سال در دو قاره برای Google کار کرده و حالا در California و در نزدیکی مکان‌هایی مناسب برای قایقرانی زندگی میکنه.

🎓 جنیفر پتوف، متخصص شناخته‌شده جهانی در آموزش SRE و نویسنده اصلی کتاب Training Site Reliability Engineers: What Your Organization Needs to Create a Learning Program است. او با نام The Reliable PgM شناخته میشه و از به‌کارگیری اصول SRE در طیف گسترده‌ای از موقعیت‌های Program Management حمایت میکنه. جنیفر سخنران فعالیه و در کنفرانس‌های DevOps، SRE و رویدادهای صنعتی دیگه در ۱۶ کشور و چهار قاره، سخنرانی، Keynote و Panel Discussion داشته است. او پس از هشت سال فعالیت در صنایع شیمیایی، در سال ۲۰۰۷ به Google پیوست. جنیفر مدرک PhD شیمی از Stanford University و مدارک BS شیمی و BA روان‌شناسی از University of Rochester در غرب New York داره. او و همسرش Scott علاقه زیادی به سفر دارن و در آمریکا، Ireland و حالا Portugal زندگی کردن. نوشته‌های سفر و عکس‌های او از درها در وب‌سایت Sidewalk Safari و از طریق بخش‌های Travel Writing و Door Photography در دسترس هستن.

Google pioneered the discipline of Site Reliability Engineering (SRE), applying reliability to the entire user journey for consumer, enterprise, and infrastructure systems. In the years since, many organizations have followed suit, guided by the tenets laid out in the best-selling first edition of this practical book. Now, a fully revised edition brings Site Reliability Engineering up-to-date with fresh insights on engineering techniques, organizational processes, and case studies that will help you promote and implement greater reliability throughout the engineering lifecycle.

In this edition, key members of Google's SRE team explore the company's current SRE practices and explain how they've evolved in the decade since the book's initial publication. Updates cover the value of reliability, cloud reliability, and the impact of AI. You'll learn the principles and practices that can make your organization's systems scalable, reliable, and efficient.

• Train new Site Reliability Engineers based on the latest practices in the field
• Develop engineering organizations that support reliability as a feature
• Build online services that incorporate reliability principles
• Start to use emerging AI capabilities to improve SRE across the organization and optimize critical areas such as automation and incident detection

Table of Contents

Part I. SRE in Context

1. Introduction: Modeling What We Do and Why

2. The Value of Reliability

3. Trends in Production

Part II. Sociotechnical Foundations

4. The Cultural Context of SRE

5. SRE Hiring, Training, and Career Management

6. Organizational Structures for SRE

7. SRE Engagement Models

Part III. Situational Awareness and Continuous Preparedness

8. Service Level Objectives

9. Observability and Monitoring

10. Incident Management and On-Call

11. Learning from Incidents

12. Safety Engineering for SRE with STPA and CAST

Part IV. Infrastructure Design

13. Automation and Tooling

14. Testing

15. Capacity Planning

16. Data Management

Part V. Resilient Products and Emergent Reliability

17. Designing for Resilience

18. Platform Engineering in SRE

Part VI. Outlook

19. SRE at the Tipping Point

20. How SRE Supports AI

21. How AI Supports SRE

22. SRE in Diverse Environments

23. Future of SRE

Appendix A. Calculating the ROI of Training Investment

Appendix B. SRE Team Charter Template

Appendix C. SRE Team Charter Team Example

Appendix D. Example Production Meeting Minutes

Appendix E. The Mathematics of Composing SLOs

Appendix F. The Mathematics of Latency Alerting

Appendix G. Modern Observability: Statistics and ML

Praise for Site Reliability Engineering, 2nd ed.

How do you edit a timeless classic in the field of SRE, or maybe more importantly, why? And how do you do it during a moment of profound change in our world where it feels like anything we write might as well be written using disappearing ink? The short answer is Google, along with the rest of the SRE world, continued to learn after the first edition was published. The SRE Book, 2nd ed., brings us those lessons, including where it works to focus for success with SRE, what we got wrong, and how the past can inform us as we navigate the unevenly distributed future we find ourselves in.

David N. Blank-Edelman, author of Becoming SRE; editor/curator of Seeking SRE; and cofounder of SREcon

It's been ten years since the first edition of the SRE Book and I have to admit that my copy has drifted to the bookshelf on the far side of my office: useful, certainly, but not one I need to reach from my desk every day. So when I got this new edition, I expected to skim past familiar topics to find some new techniques (presumably about AI). Instead, I found myself reading for hours: there are smart ideas about AI reliability for sure, but new ideas everywhere else as well. The state of the art has come a long way in ten years and it's all in here. This is a deep, thorough, practical guide from authors who have spent their careers getting really good at building and running reliable systems. One for the bookshelf right beside the desk.

Tanya Reilly, principal engineer; author of The Staff Engineer's Path

I'm particularly excited by the way this updated text addresses AI in SRE. This topic usually brings so much hype and exaggeration on one hand and negativity and denial on the other. This book walks through detailed examples of the use of AI in incident management, observability, capacity planning, and obviously software engineering. But most importantly, it directly tackles the twin questions of what SRE needs to do to manage AI systems and what AI can do to transform our work in SRE. This is a must-get second edition of a must-have work.

Todd Underwood, founder of AI/ML SRE at Google; former head of reliability at Anthropic; author of Reliable Machine Learning

In the era of agentic coding, the hard question is no longer "Can we build it?" but "Does it work?"—and there is no better guide to answering that at scale. Worth its weight in gold for any team putting AI-generated systems into production.

Noah Gift, founder of Pragmatic AI Labs

An exceptionally comprehensive and forward-looking guide to SRE, this book combines foundational principles with practical, technically rigorous guidance for modern production environments. The authors do an outstanding job of connecting reliability engineering with organizational culture, resilience, automation, and the rapidly evolving role of AI, making this a valuable resource for both practitioners and leaders.

Lipi Deepaakshi Patnaik, software development engineer at Uber

Site Reliability Engineering, 2nd ed., is the definitive book in the SRE industry, building on Google's original work that helped establish SRE as a discipline. The authors—Betsy Beyer, Chris Jones, Christof Leng, David Huska, Jennifer Petoff, and Niall Richard Murphy—bring exceptional real-world Google SRE experience, making this particularly valuable for anyone working at a senior or leadership level in reliability engineering.

John O'Connor, senior SRE, Observability, at Citi Bank

A comprehensive and essential guide to modern Site Reliability Engineering in an era of rapid changes to how engineering teams work and manage systems in production.

Liz Fong-Jones, technical fellow at Honeycomb; coauthor of Observability Engineering

Site Reliability Engineering, 2nd ed., is an indispensable guide to building resilient systems in an era of accelerating complexity and AI. Its authors unite hard-won operational wisdom with a deeply human understanding of culture, risk, and learning—essential reading for anyone entrusted with systems that must earn and retain users' trust.

AI engineer working in automotive industry

A must read for anyone running large scale services … or any scale, really. The new AI material provides a great introduction on how your SRE team can use it to support your organization.

Jesus Climent, SRE at Mercadona Tech

Software is transitioning from deterministic to AI-driven systems where traditional reliability playbooks no longer apply. This book provides the actionable framework engineering leaders need to build and maintain reliability in the AI era.

Sylvain Kalache, head of AI Labs, Rootly

A decade ago, Site Reliability Engineering quickly became the definitive guide for teams tasked with building and maintaining reliable services at global scale. This edition updates that guidance for the AI era, where some aspects of the work are easier, and some are much more challenging. I expect it to be just as essential to practitioners in the years ahead.

Chris Devers, software toolsmith

Having contributed to the original Site Reliability Engineering book and spent the years since applying these ideas in industry, I'm delighted to see a second edition that engages seriously with how SRE has evolved in practice. It tackles challenges that matter enormously outside Google—from different models of SRE engagement to the cultural and organizational foundations needed to make reliability engineering work. I'm particularly excited to see Google spearheading the application of STPA to software and operational reliability, bringing systems-safety thinking to a much wider engineering audience. This is not simply an update to a foundational text; it reflects a field that has matured, diversified, and learned from a decade of real-world experience.

Laura Nolan, senior staff software engineer

This is the clearest and most complete account of how the SRE discipline is evolving in response to the many changes of the past decade, from infrastructure trends to how AI shapes and is shaped by all factors that influence reliability. I recommend it to engineers who build and operate reliable systems, and to the leaders who need to understand what that work actually involves.

Andrea Spadaccini, principal software engineer, SRE at Microsoft

From the Preface

Ten years ago, the first edition of Site Reliability Engineering set out to explain what Site Reliability Engineering (SRE) is and how Site Reliability Engineers (SREs) do it at Google. In the subsequent years, the role has become widespread beyond Google, and the approach we described has become broadly accepted in the industry. Meanwhile, the technology underpinning running large-scale distributed computing systems has become much more standardized and commoditized: unless you have very specific needs, you’re unlikely to build your own load balancer or your own distributed consensus system with Paxos—you’re probably either buying it as a service from a cloud provider or running an instance of open source software.

Furthermore, as we write this, AI is in the process of radically accelerating change in our field, as well as many others. We have no crystal ball to forecast what the future of running production environments will be like in another 10 years—or even, quite possibly, 10 months.

But what hasn’t changed? The fundamentals: SREs continue to be engineers, focusing on system reliability, for large-scale distributed computing services.

All of those trends, combined with what we know has stayed the same, have caused us to shift the focus of this edition toward the things we didn’t address in much detail the first time around—things that support well-functioning teams: the sociotechnical aspects of SRE. As a result, you’ll see more on understanding the value of what we do and how to provide that value and represent it within an organization—which was important 10 years ago but is even more important now. Something we also learned since the first edition is just how widespread this work—managing the whole lifecycle of software—is, and by how many different names it is called. We wrote in The Site Reliability Workbook about the relationship between DevOps and SRE, but platform engineering has emerged since, and staff engineers often have that combination of deep expertise and holistic responsibility that is the hallmark of SRE. Regardless of what the role is called, though, we hope the material in the book will be of relevance to those who care about production.

In the first edition, we used the metaphor of the work before and after the birth of a system being akin to labor and parenting. We believe this analogy still holds, especially in our current situation (see Chapter 19), where birthing a system has gotten easier but it’s not yet clear that parenting or housework has. So much of software engineering is the question of what you can successfully ignore, and the fact that there is a whole lifecycle cannot be ignored.

However, another concept from the software engineering discourse has gained prominence in the decade since our first edition: technical debt. This is the term we use to capture the uneasy scenario we arrive at unintentionally when we have built the software on top of itself too much, and everything becomes difficult. Abstractions are stretched to their breaking point; pushing to production feels like trying to hammer a cube through a round hole, where the hammer occasionally bounces off and hits you in the knee. Eventually, you just want to stop and break apart the blocks of what you’ve built.

We draw a comparison here to technical debt because, despite its ubiquity in software systems, it is often dismissed as only a source of developer sadness. But for those of us who care about production, technical debt is a leading indicator of something important: unreliability.

In the financial world, debt is not inherently bad. It is a leverage tool. You borrow capital to accelerate growth and invest in the future, accepting that you will pay it back with interest. In software, we do the same. We borrow from our future stability to ship a feature today, trading perhaps a robust architecture or the comprehensive testing that would have required more time and effort for speed to market.

But software debt, like financial debt, always demands repayment, with interest.

In production, that interest is paid in complexity, friction, and fragile systems. Every shortcut shrinks our margin for error. If we ignore the debt, the interest compounds silently. Eventually, if left unchecked, we face reliability bankruptcy. This isn’t just a slowdown in feature delivery; it is the outage that destroys user trust, or the codebase that’s so brittle that no one wants to work on it, much less deploy it.

SRE is not a crusade for zero technical debt—a state that is both economically foolish and practically impossible for any system that is actually useful. Instead, SRE is the discipline of managing this risk portfolio. We are both engineers and production advisors, helping the organization decide when to borrow safely and when we must pay down the principal according to our agreed-upon risk ceilings, temporarily halting feature development to invest in repayment.

This edition is about how we manage that balance. Many of the systems we run and the approaches we take have changed in the 10 years since the first edition, but this hasn’t: reliability is not a static state to be achieved and forgotten. It is an ongoing negotiation between complexity and business needs. The chapters that follow explore the tools, culture, and practices we use at Google to successfully navigate that complexity to provide reliable services.

About the Author

Betsy Beyer has worked at Google for almost 20 years, most recently in the role of program manager for Site Reliability Engineering. She's the editor of three books in this space, including the best-selling first edition of this one, and also cochairs the editorial board of ACM Queue. She previously worked on Google's datacenter and hardware operations teams. Before moving to New York, Betsy was a lecturer on technical writing at Stanford University. She holds degrees from Stanford and Tulane.

Chris Jones is a Site Reliability Engineer for Google Maps. Based in San Francisco, he has previously been responsible for the care and feeding of Google App Engine, a cloud platform-as-a-service product serving over 28 billion requests per day, and a number of other services. In other lives, Chris has worked in privacy engineering and academic IT, analyzed data for political campaigns, and engaged in some light BSD kernel hacking, picking up degrees in computer engineering, economics, and technology policy along the way. He's also a licensed professional engineer.

Christof Leng has been working as a Site Reliability Engineer for Google for more than 11 years in the Dublin and Munich offices. He has worked on systems in Google's ads, cloud, and internal developer infrastructure and built and managed various teams in these areas over the years. He has been responsible for central Google SRE programs including the SRE engagement model, production excellence (ProdEx), and production launch reviews. Christof holds a PhD in computer science from TU Darmstadt and has been a postdoc at ICSI and UC Berkeley. He has also served as vice president of the German Informatics Society (GI). Christof lives in Darmstadt with his wife, three children, and two cats.

David Huska is a software engineer and Site Reliability Engineer at Google, scaling productivity and reliability through AI. His operational background includes roles with Google's Cloud Incident Response Team, the cross-service escalation point for major incidents on Google Cloud, and Google Maps. David has directly advised Google Cloud's largest enterprise customers on integrating SRE best practices into their services and operations. He is a coauthor and contributing editor of The Site Reliability Workbook and Building Secure and Reliable Systems, both from O'Reilly. Based in California, David has worked at Google for over 15 years on two continents at locations strategically close to great sailing.

Jennifer Petoff is a globally recognized expert on SRE education. She is the lead author of Training Site Reliability Engineers: What Your Organization Needs to Create a Learning Program. Known as The Reliable PgM, she is an advocate for applying SRE principles to a wide range of program management situations. Jennifer is an avid public speaker: she has given talks and keynote presentations and has participated in panel discussions at DevOps, SRE, and other industry conferences in 16 countries (and counting) on four continents. Jennifer joined Google in 2007 after spending eight years in the chemical industry. She holds a PhD in chemistry from Stanford University, along with a BS in chemistry and a BA in psychology from the University of Rochester in Western New York. Jennifer and her husband Scott are avid travelers and have lived in the US, Ireland, and now Portugal. Jennifer loves travel writing and door photography, both of which you can find on Sidewalk Safari.