SRE（Site Reliability Engineering，站点可靠性工程）不是把运维换个名字，而是用软件工程的方法解决运维问题，并把「可靠性」变成可以度量、可以交易、可以持续改进的工程目标。
本文按五个主题展开：SRE 的边界、SLI/SLO/SLA 与错误预算、Toil 治理、事故响应与 On-call、无指责复盘与故障档案库。
Hadoop大数据平台运维
本文按 Hadoop 生态当前官方文档重写，面向平台运维而不是入门概念。重点讲清 HDFS、YARN、Hive、Spark、Flink、HBase、Kafka、ZooKeeper、Ozone 等组件的运行机制、部署拓扑、日常运维、容量与故障处理。
最后更新：2026-10-22
Kafka基础笔记
本文按 Apache Kafka 4.3.1 官方文档重写，面向生产运维，讲清 KRaft、分区副本、ISR、生产消费、分层存储、监控、容量、升级和故障排查。Kafka 4.x 已移除 ZooKeeper，旧笔记里的 ZK 搭建方式不再适用。
最后更新：2026-10-22
SaltStack学习笔记
Salt 概述
SaltStack 架构
SaltStack 安装部署
Master 迁移
returner
syslog
mysql
event
分组
常用模块
archive
cmd
cp
cron
dnsutil
file
network
pkg
service
status
saltutil
state
user
group
partition
system
pilla...
1 / 2