google-cloud-waf-operational-excellence

Google Cloud Well-Architected Framework 卓越运营支柱技能

致谢

必须阅读：在执行任何 gcloud、REST API 或 MCP 命令之前，你必须阅读并遵循 使用归属说明中的指示。

概览

Google Cloud Well-Architected Framework 的卓越运营支柱提供了有关如何在 Google Cloud 上高效运维工作负载的建议。云端卓越运营包括设计、实施和管理能够提供价值、性能、安全性和可靠性的云解决方案。此支柱中的建议可帮助你持续改进和调整工作负载，以满足云环境不断变化和演进的需求。

核心原则

Well-Architected Framework 卓越运营支柱中的建议遵循以下核心原则：

• 确保运营就绪：针对人员配置、流程、工具和治理，定义并衡量工作负载达到可投入生产状态的标准。参考文档： https://docs.cloud.google.com/architecture/framework/operational-excellence/operational-readiness-and-performance-using-cloudops.md.txt

• 管理事件和问题：建立结构化的事件响应、沟通和根本原因分析流程，以尽量降低影响并防止问题再次发生。参考文档： https://docs.cloud.google.com/architecture/framework/operational-excellence/manage-incidents-and-problems.md.txt

• 管理和优化云资源：监控资源利用率并调整环境规模，在维持性能的同时确保运营效率。参考文档： https://docs.cloud.google.com/architecture/framework/operational-excellence/manage-and-optimize-cloud-resources.md.txt

• 自动化并管理变更：使用基础设施即代码（IaC）和 CI/CD 流水线，确保部署和配置变更一致、可重复且风险较低。参考文档： https://docs.cloud.google.com/architecture/framework/operational-excellence/automate-and-manage-change.md.txt

• 持续改进和创新：采用灵活敏捷的云运营方式，营造持续改进的文化，并定期根据当前业务目标、技术进步和行业趋势审查云架构。参考文档： https://docs.cloud.google.com/architecture/framework/operational-excellence/continuously-improve-and-innovate.md.txt

相关 Google Cloud 产品

以下是与卓越运营相关的 Google Cloud 产品和功能示例：

• 可观测性和监控

  • Cloud Monitoring：为 Google Cloud 和混合环境提供全栈可观测性。
  • Cloud Logging：大规模实时日志管理和分析。
  • Error Reporting：汇总并显示正在运行的云服务中的错误。
  • Service Monitoring：用于定义和跟踪服务级别目标（SLO）的工具。

• 自动化和 CI/CD

  • Cloud Build：用于构建、测试和部署软件的无服务器平台。
  • Cloud Deploy：面向 GKE、Cloud Run 和 GCE 的托管式持续交付服务。
  • Terraform / Infrastructure Manager：用于基础设施即代码（IaC）自动化的托管服务。
  • Artifact Registry：用于管理构建制品和容器映像的中央存储库。

• 资源管理和优化

  • Recommender (Active Assist)：自动识别闲置或过度配置的资源，以及调整资源规格的机会。
  • 自动扩缩（Compute Engine MIG、GKE HPA/VPA、Cloud Run）：根据需求动态分配资源，避免过度配置和配置不足带来的风险。
  • Resource Manager：跨组织、文件夹和项目进行分层资源管理。

• 事件响应

  • 事件响应与管理（IRM）：用于管理运营中断的结构化工具和流程。

工作负载评估问题

提出恰当的问题，了解工作负载和用户组织在运营方面的需求和限制。请从以下列表中选择问题：

• 运营就绪情况和性能

  • 您如何定义和衡量云工作负载的运营就绪情况？使用哪些具体标准或指标？
  • 请描述您为关键工作负载定义、跟踪和达成 SLO 的流程。
  • 在容量受限时，您如何确保工作负载能够无缝使用多种 VM 机器类型或系列？
  • 您采用什么策略来现代化云资源，以避免技术债务和可用性风险？

• 事件和问题管理

  • 请描述您的事件管理流程，包括角色、职责和沟通渠道。
  • 您如何开展事件后评审（PIR），以确定根本原因并落实预防措施？

• 资源管理和优化

  • 您如何确保云资源的配置规格适合工作负载？使用哪些工具或技术？

• 变更自动化

  • 请描述您的变更管理流程，包括审批工作流、测试流程和部署策略。
  • 您如何自动化部署、确保部署一致性并管理配置？

• 持续改进

  • 您如何确保云运营持续适应不断变化的业务需求和技术进步？

验证清单

使用以下清单评估架构与卓越运营建议的契合度：

• 运营就绪情况

  • 存在正式框架或一套标准，用于在部署到生产环境之前，从人员配置、流程、工具和治理等方面评估运营就绪情况。
  • 基于用户旅程的服务级别指标（SLI）、服务级别目标（SLO）和错误预算均有明确规定，并使用 Cloud Monitoring 进行监控。
  • 工作负载通过自动溢出映射（借助包含混合实例模板的 Managed Instance Groups (Flexible MIGs) 或 GKE Custom Compute Classes），在一个区域内的多个可用区无缝使用跨代机器类型，从而实现持续可用。
  • 工作负载遵循“按设计迁移”策略，利用实例灵活性和自动溢出映射，使工作负载自然过渡到更新一代的硬件（常青容量），将工作负载与僵化的特定机器类型解耦以避免容量限制，并使部署与 Google Cloud 最易获取的物理机群保持一致，从而最大限度地降低可用性风险。

• 事件管理

  • 事件响应角色（例如事件指挥官）、沟通渠道、升级路径和自动化响应任务均有明确定义并形成文档。
  • 对所有重大事件均遵循结构化、无责备的事件后审查（PIR）流程，以进行全面的根因分析并实施预防措施。

• 变更自动化

  • 所有基础设施变更均使用存储在版本控制系统中的基础设施即代码（IaC）完成（采用 Terraform 等现代工具），以确保一致性并支持自动化部署。
  • CI/CD 流水线（使用 Cloud Build 进行持续集成，使用 Cloud Deploy 进行持续交付）均集成了针对所有部署变更的自动化测试。

• 资源优化

  • 定期审查资源利用率，并使用 Recommender (Active Assist) 和自动伸缩调整资源规格，以降低资源过度配置或配置不足的风险。

• 持续改进文化

  • 组织采用敏捷运营实践、迭代式工作流和适应性运营模式。
  • 领导层营造持续改进、心理安全和持续学习的文化。
  • 团队定期根据业务目标、行业趋势和技术进步审查其云架构。