什么是稳固
百度百科对于稳固的定义：
“稳恒固定；没有变动。”
很显著这里的“稳固”是绝对的，通常会有参照物，例如 A 车和 B 车放弃雷同速度同方向行驶，达到绝对均衡绝对稳固的状态。
那么软件品质的稳固是指什么呢？
假如软件系统是辆车，品质预期是满足客户行驶要求，那么性能是指能失常行驶，性能是指按肯定速度和油耗失常行驶，稳固是指安稳且继续的按肯定速度和油耗失常行驶，这种稳固状态并不是品质自身的个性，而是品质体现的态势。
但在行驶中，车辆自身品质和路况不是变化无穷的，轮胎磨损、刹车磨损、路面结冰、路口堵车、顶峰限号等等各种情况都会影响行驶，那么此处的“安稳且继续”能够合成为品质自身的稳固及品质体现的稳固（驾驶者感触到的稳固）。
科幻电影经常能够看到这种操作：帅气的飙车中，男主车胎忽然被打爆，车辆立即变形，四胎变三胎，或者从机器触手中捞出备胎，凌空替换破损胎；一番操作炫酷丝滑，男主仍然狂飙，刺激成果 upup，观众直呼给力给力。该电影场景体现了两点：产品自身品质好是硬道理（比方飙车那么久刹车仍然灵活），然而突发状况更须要有其余伎俩维持帅气（比方引入各种高科技伎俩）。
什么是稳定性
GB/T 16260 形容稳定性如下：
“软件防止因为软件批改而造成意外后果的能力。”
软考高级《零碎架构设计师》形容稳定性如下：
“软件稳定性，指软件在一个运行周期内、在肯定的压力条件下，软件的出错几率、性能劣化趋势等，并察看其运行环境内的应用服务器、数据库服务器等零碎的稳定性。”
2022 年 6 月由中国信通院公布的《分布式系统稳定性建设指南》形容稳定性：
“零碎稳定性示意零碎在蒙受外界扰动偏离原来的均衡状态，而在扰动隐没后零碎本身仍有能力复原到原来均衡状态的一种顽性。”
百度百科形容稳定性如下：
“零碎稳定性是指零碎因素在外界影响下体现出的某种稳固状态。”
综合各方观点能够失去：零碎稳定性关注的是零碎随工夫连续、软件批改、外界变动的关系，强调不受零碎因素变更和外界扰动影响的能力。
这是一个比拟泛的概念，那么如何晋升这种能力呢？咱们尝试从定义中的几个关键词动手：
零碎因素
零碎因素的定义：
“零碎因素是形成零碎的根本组成部分或根本单元。”
零碎研发过程既是生产软件系统的过程，也是制作问题（缺点）的过程，过程品质也是影响稳定性的因素之一。
• 2022 年 4 月 Atlassian 呈现宕机事变，起因是团队之间存在“沟通鸿沟”、零碎正告有余；
• 2022 年 8 月谷歌搜寻和谷歌地图呈现宕机事变，起因是软件更新出错；
零碎外部危险须要尽量在软件生产过程中防止，将制作危险的过程转变为管制危险的过程。
外界扰动
外界扰动指非零碎自身带来的变动，往往不受系统控制，例如城市地震、机房电缆被挖、黑客 DDOS 攻打，这种不可抗力事件尽管小概率，但世界范畴内随时都在产生，咱们能做的是尽量进步抵挡外界扰动的能力，缩小对系统稳定性的残害。
• 2022 年 6 月微软呈现宕机事变，起因是微软的冗余电力系统的组件产生了意外的电气瞬变，导致空气处理单元（ahu）检测到潜在的故障，因而主动敞开；
• 2022 年 7 月甲骨文（Oracle）呈现拜访提早，起因是创纪录的冬季低温导致冷却系统呈现故障，数据中心的温度攀升，计算基础设施的一部分进入保护性敞开状态；
• 2022 年 7 月亚马逊的 EC2 实例瘫痪，起因是亚马逊网络服务（AWS）可用区 1 (AZ1)产生停电，导致服务中断；
稳固状态
上文提到稳固是一种绝对的状态，因而更关注基于预期的后果比照和基于品质基线的趋势比照。
1）确定基线
最新版的国家标准 GB/T 25000.10-2016 将软件系统的应用品质拆分为以下影响路径：
每个阶段的品质都有对应的测量指标，例如产品质量的 8 个个性如下：
目前业内较为常见的 SLA/SLO 系列指标属于应用品质的评估维度，体现软件系统对其利益相干方的影响；MTTR 是产品质量可靠性的重要评估指标，体现软件系统复原到失常状况所破费的全副工夫。
通过质量指标的拆解也能够看出为什么咱们常说的是稳定性品质保障，而不是可用性品质保障、可靠性品质保障等等，显然稳定性视角笼罩到的是更全面的维度。
2）确定预期
不同产品 / 零碎 / 组件的质量指标预期值可能各有不同，没有标准答案，但“用户冀望什么样的品质程度”肯定是所有产品都重点思考的必要规范。
什么是品质保障
• 品质：产品 / 服务固有个性满足用户要求的水平。
• 品质保障：Quality assurance，官网译为“质量保证”，日常更多称“品质保障”，缩写是 QA。
品质保障、品质管制、测试的区别
• 品质保障（Quality Assurance）：指为使人们确信产品 / 服务能满足品质要求而在品质管理体系中施行并依据须要进行证实的全副有打算和有零碎的流动；
• 品质管制（Quality Control）：
为使产品或服务达到品质要求而采取的技术措施和治理措施方面的流动；
• 测试（Testing）：在规定的条件下对程序进行操作，以发现程序谬误，掂量软件品质，并对其是否能满足设计要求进行评估的过程；
这三种流动过程的目标都是交付合乎品质的软件，在我的项目中的施行范畴从大到小是品质保障 > 品质管制 > 测试。
与品质管制和测试相比，品质保障更关注“预防”，通常通过“测试左移”和“测试右移”将测试流动构建于整个业务流程过程中，预防为主，防治联合。
品质管制关注产品后果自身，验证其是否达到预期要求并给出改良倡议，包含需要确认、产品测试等操作。品质管制的概念早于 QA 造成至多 10 年以上。测试是品质管制的最初一道关卡，是验证品质的伎俩。
为什么要做品质保障
品质管制和测试对产品后果的验证，然而理论我的项目中，只器重产品后果往往为时过晚，想要修复产品初期的问题，须要投入更多的工夫和人力老本。
那么管制问题的产生、管制问题带来的影响，是产品研发效力晋升的要害。品质保障应运而生。
什么是品质保障体系
• 体系：泛指肯定范畴内或同类的事物依照肯定的秩序和内部联系组合而成的整体，是不同零碎组成的零碎。
• 品质保障体系（品质保证体系）：通过肯定的制度、规章、办法、程序和机构等把品质保障流动加以系统化、标准化及制度化。
品质保证体系的运行应以品质打算为主线，以过程治理为重心，按 PDCA 循环进行，通过打算（Plan）—施行（Do）—查看（Check）—解决（Action）的治理循环步骤开展管制，进步保障程度。
体系不是一天两天建成的，更不倡议为了建设而建设，肯定是先有品质需要，发展了品质保障流动，逐步完善流动过程造成体系并逐渐优化。
例如 google 定义的 SRE，SRE 不仅仅是职位的名称，更是一套迭代了靠近 20 年的体系，笼罩了提早优化、性能优化、效率优化、变更治理，监控、应急响应、容量布局与治理等等多个方面，十分值得借鉴和学习。但任何外来体系在本土化的过程中都须要通过筛选、调整、消化，如果间接生吞活剥，大概率会水土不服、事倍功半。
稳定性品质保障建设方向
通过前几章的概念拆解，咱们对“稳定性品质保障“说法的由来有了肯定理解，那么稳定性品质保障流动在产品我的项目中如何发展呢？此处仅从上文概念拆解的角度来看，整体围绕以下几个方向：
本身强壮 -Design for failure
1）进步本身稳固
关注所有与软件生命周期无关的因素，包含但不限于：
• 人：如何躲避人为因素产生的负面影响；
• 流程：如何躲避流程缺失或腐化的负面影响；
• 技术：如何躲避技术缺点引起的危险；
• 组件 / 零碎：如何躲避外部组件关系，或零碎架构的潜在危险；
• 变更：如何躲避以上所有因素的变更带来的危险；
2）进攻外界扰动
常见的外界影响包含：基础设施问题、内部依赖问题、用户异样操作等。须要针对不同的内部影响、影响范畴、影响阶段制订不同的策略。
及时发现 -Multiplex monitor
1）品质影响路径维度
品质影响路径维度更多关注品质内的衰弱状态。从第二章的品质路径图示中能够看到应用品质依赖软件生命周期中的过程品质和产品质量，过程品质的监控和评估有利于产品质量改良，产品质量的监控和评估有利于改良应用品质；同样，评估应用品质能够为改良产品提供反馈，而评估产品能够为改良过程提供反馈。
GB/T 25000 系列已对各维度的品质评估指标做了具体阐明，例如可靠性最常见的评估指标 MTBF/MTTR，本文不再赘述。
2）用户拜访链路维度
用户拜访链路维度更多关注零碎组成因素在生产环境中的衰弱状态，经典的监控体系分层包含：
• 用户体验层：
页面响应工夫、渲染工夫、业务指标等；
• 应用服务层：
服务可用性包含服务状态、Four Golden Signals（谬误、流量、提早、饱和度）、调用链路等；
• 组件层：
系统软件、中间件、数据库等；
• 主机层：
硬件、虚拟机、容器等；
• 基础设施层：
机房、网络等；
疾速解决 -Emergency response
在任何生产或品质保障流动中老本都是必须思考的事件，衡量取舍之后，永不失败、100% 稳固牢靠的服务不可能存在，那么问题呈现后如何疾速解决是进步用户应用品质的要害。
Things break; that’s life。
• 疾速定位：精准定位故障点；
• 疾速决策：精准抉择解决方案；
• 疾速执行：疾速并无效执行；
这三个方向次要做了两件事：升高问题产生概率和升高问题产生后的影响，对标信通院总结的稳定性建设指标是“降产生“和”降影响“，对标 GB/T25000 质量指标是进步 MTBF、减低 MTTR。
云商稳定性保障建设历程
稳定性品质保障在云商落地的过程中经验了如下几个阶段：
阶段 1：品质管制
重心在测试执行，通过在测试阶段的流动发现软件问题推动品质改良。
阶段 2：品质内建
重心在通过流程卡点、架构革新等一系列优化动作进步 MTBF，该阶段的思路已逐步向品质保障聚拢，但不足“品质右移“视角。
阶段 3：危险防控
该阶段从软件生命周期维度将“危险”到“故障”的过程划分为危险产生的阶段、问题裸露阶段和故障损失阶段，并认为不论故障有没有带来具体的用户损失，只有在生产环境中被发现都属于损失。
重心在多维度巡检和报警，但短少无效的跟进和管理手段。
阶段 4：故障治理
该阶段的思路是从故障闭环角度动手，从工夫维度分故障前、故障中、故障后，粗力度划分如下，细分项较多，此处不再开展。
因前几个阶段在预防、发现、复盘方面发力，已根本满足“本身强壮”和“及时发现”，第四阶段的建设重心在补齐“疾速解决”的短板，进步故障定位和故障复原的速度，升高 MTTR。
按工夫程序，MTTR 个别拆分为四个指标：
• MTTI（Mean time to identify )：定义为辨认服务或组件问题所需的均匀工夫，有时被称为均匀检测时间或 MTTD；
• MTTK（Mean Time To Know）：定义为找出问题产生起因所需的均匀工夫；
• MTTF（Mean Time To Fix）：定义为解决问题所需的均匀工夫；
• MTTV（Mean Time To Verify）：定义为验证问题所需的均匀工夫；
在理论故障中发现，MTTK 和 MTTF 占用 MTTR 的更多工夫耗费。
• MTTK- 故障定位
通过“工具赋能”进步问题聚焦能力，通过“人员能力晋升”补齐工具笼罩不到的门路。
1）工具赋能：借助健全的运维零碎能力提高效率，包含指标监控平台、日志平台、分布式追踪平台等，重心在可观测性平台的建设；
2）人员能力晋升：工具能定位到的门路之外，须要人工能力补齐，重心在通过实操演练等路径晋升人员排查定位故障的能力；
• MTTF- 故障复原
通过提前预案、快恢平台、应急流程的建设，助力复原操作迅速、有序地发展，管制和避免故障进一步好转。
1）应急预案：针对可能产生的事变事后制订的口头计划，并周期性演练验证保鲜；
2）快恢平台：将预案执行伎俩积淀到平台中，缩短执行门路，并联合可观测平台做主动决策、主动执行，实现故障疾速自愈；
3）应急流程：故障复原过程中免不了多人、多部门的合作，将流程规范化并达成共识，助力大家严密合作，井井有条地推动故障复原；
通过几年建设和迭代，云商稳定性品质保障建设体系已根本成型，上面是体系建设全景图，供读者参考。
结语
本文尝试从概念诠释的角度解读稳定性品质保障的由来以及建设方向，未对具体的落地措施做开展形容，如有进一步理解的需要，欢送交换。