Google Cloud Well-Architected Framework 中的卓越运营核心提供了一些建议，可帮助您在 Google Cloud上高效运行工作负载。 云端卓越运营包括设计、实现和管理可提供价值、性能、安全性和可靠性的云解决方案。此核心中的建议可帮助您不断改进和调整工作负载，以满足云端不断变化的需求。
卓越运营核心适用于以下受众群体：
- 管理者和领导者：一个框架，用于在云端建立和保持卓越运营，并确保云投资能够带来价值并支持业务目标。
- 云运营团队：提供有关管理突发事件和问题、规划容量、优化性能以及管理变更的指导。
- 站点可靠性工程师 (SRE)：可帮助您实现高水平服务可靠性的最佳实践，包括监控、突发事件响应和自动化。
- Cloud Architect 和工程师：设计和实现阶段的运营要求和最佳实践，有助于确保解决方案的设计具有运营效率和可伸缩性。
- DevOps 团队：提供有关自动化、CI/CD 流水线和变更管理的指导，帮助实现更快、更可靠的软件交付。
为了实现卓越运营，您应采用自动化、编排和以数据为依据的分析洞见。Automation 有助于消除重复劳动。它还可以简化重复性任务并为其制定防护措施。编排有助于协调复杂的流程。以数据为依据的分析洞见有助于做出有据可依的决策。通过采用这些实践，您可以优化云运营、降低费用、提高服务可用性并增强安全性。
云端卓越运营不仅需要具备出色的云运营技术能力，它包括鼓励持续学习和实验的文化转变。必须赋予团队创新、迭代和采用成长型思维模式的权力。卓越运营文化可营造协作环境，鼓励个人分享想法、挑战假设并推动改进。
如需了解特定于 AI 和机器学习工作负载的卓越运营原则和建议，请参阅 Well-Architected Framework 中的 AI 和机器学习视角：卓越运营。
使用智能体 skill 评估工作负载
如需让 AI 智能体根据此支柱中的原则和建议评估您的云工作负载，请使用 google-cloud-waf-operational-excellence 技能，该技能可在 GitHub 的 Google 智能体技能代码库中找到。
如需安装技能，请在智能体的客户端或终端中运行以下命令：
npx skills add google/skills --skill google-cloud-waf-operational-excellence
出现提示时，指定要为其安装技能的 AI 智能体，并设置安装范围（项目或全局）。
核心原则
Well-Architected Framework 的卓越运营核心中的建议与以下核心原则相对应：
- 借助 CloudOps 确保运营就绪状态和性能达标：通过定义服务等级目标 (SLO) 并执行全面的监控、性能测试和容量规划，确保云解决方案满足运营和性能要求。
- 管理突发事件和问题：通过全面的可观测性、清晰的突发事件响应过程、全面的回顾和预防措施，最大限度地减少云突发事件的影响并防止再次发生。
- 管理和优化云资源：通过适当调整规模、自动扩缩等策略以及使用有效的费用监控工具来优化和管理云资源。
- 将变更流程自动化，同时进行管控：将流程自动化，简化变更管理，减轻人工负担。
- 持续改进和创新：专注于持续增强功能和推出新解决方案，以保持竞争力。
贡献者
作者：
- Alex Stepney | 首席架构师
- Ryan Cox | 首席架构师
- Hadrian Knotz | 企业架构师
其他贡献者：
- Daniel Lees | 云安全架构师
- Filipe Gracio 博士 | 客户工程师、AI/机器学习专家
- Gary Harmson | 首席架构师
- Jose Andrade | 客户工程师、SRE 专家
- Kumar Dhanagopal | 跨产品解决方案开发者
- Nicolas Pintaux | 应用现代化改造专家客户工程师
- Radhika Kanakam | Google Cloud Well-Architected Framework 项目主管
- Samantha He | 技术文档工程师
- Zach Seils | 网络专家
- Wade Holmes | 全球解决方案总监
借助 CloudOps 确保运营就绪状态和性能达标
Google Cloud Well-Architected Framework 的卓越运营核心中的这一原则可帮助您确保云工作负载的运营就绪性和性能。它强调为服务性能建立明确的预期和承诺、实施强大的监控和提醒、进行性能测试以及主动规划容量需求。
原则概览
不同的组织对运营就绪情况的理解可能有所不同。 运营就绪情况是指您的组织如何准备在 Google Cloud上成功运行工作负载。准备运行复杂的多层云工作负载时，需要仔细规划上线和day-2操作。这些操作通常称为 CloudOps。
运维就绪能力的重点领域
运营就绪情况包含四个重点领域。每个重点领域都包含一组活动和组件，这些活动和组件是准备在 Google Cloud中运行复杂应用或环境所必需的。下表列出了每个重点领域的组成部分和活动：
| 运维就绪能力的重点领域 | 活动和组件 |
|---|---|
| 人力资源 |
|
| 进程 |
|
| 工具 | 支持 CloudOps 流程所需的工具。 |
| 治理 |
|
建议
如需借助 CloudOps 确保运营就绪状态和性能达标，请考虑以下部分中的建议。本文档中的每项建议都与运营就绪情况的一个或多个重点领域相关。
定义 SLO 和 SLA
云运营团队的核心职责是为所有关键工作负载定义服务等级目标 (SLO) 和服务等级协议 (SLA)。此建议与运营就绪情况的治理重点领域相关。
定义 SLO：
SLO 必须具体、可衡量、可实现、相关且有时限 (SMART)，并且必须反映您所需的服务和性能水平。
- 具体：明确说明所需的服务和性能水平。
- 可衡量：可量化且可跟踪。
- 可实现：在组织的能力和资源范围内可实现。
- 相关性：与业务目标和优先级保持一致。
- 有时限：有明确的衡量和评估时间范围。
例如，Web 应用的 SLO 可能是“99.9% 的可用性”或“平均响应时间小于 200 毫秒”。此类 SLO 明确定义了 Web 应用所需的服务和性能水平，并且可以随着时间的推移对 SLO 进行衡量和跟踪。
定义 SLA：
SLA 概述了对客户的服务可用性、性能和支持承诺，包括对不合规行为的任何处罚或补救措施。SLA 必须包含有关所提供服务的具体细节、可预期的服务等级、服务提供商和客户的责任，以及任何违规处罚或补救措施。SLA 是双方之间的合同协议，可确保双方清楚了解与云服务相关的期望和义务。
跟踪 SLO：
使用 Cloud Monitoring 和服务等级指标 (SLI) 跟踪 SLO。Cloud Monitoring 提供全面的监控和可观测性功能，使您的组织能够收集和分析与云端应用和服务的可用性、性能和延迟时间相关的指标。SLI 是具体指标，可用于衡量和跟踪 SLO 随时间的变化。通过利用这些工具，您可以有效地监控和管理云服务，并确保它们满足 SLO 和 SLA。
为所有关键云服务明确定义、传达和跟踪 SLO 和 SLA，有助于确保已部署应用和服务的可靠性和性能。
实现全面的可观测性
如需实时了解云环境的运行状况和性能，我们建议您结合使用 Google Cloud Observability 工具和第三方解决方案。此建议与运营就绪情况的流程和工具重点领域相关。
通过实施多种可观测性解决方案，您可以获得全面的可观测性策略，涵盖云基础设施和应用的各个方面。Google Cloud Observability 是一个统一平台，用于收集、分析和直观呈现来自各种Google Cloud 服务、应用和外部来源的指标、日志和跟踪记录。通过使用 Cloud Monitoring，您可以深入了解资源利用率、性能特征和资源的整体运行状况。
为确保全面监控，请监控与系统健康指标（例如 CPU 利用率、内存用量、网络流量、磁盘 I/O 和应用响应时间）一致的重要指标。您还必须考虑业务专属指标。通过跟踪这些指标，您可以发现潜在的瓶颈、性能问题和资源限制。此外，您还可以设置提醒，以便主动向相关团队通知潜在问题或异常情况。
如需进一步增强监控功能，您可以将第三方解决方案与 Google Cloud Observability 集成。这些解决方案可以提供其他功能，例如高级分析、由机器学习技术提供支持的异常值检测和突发事件管理功能。通过将 Google Cloud Observability 工具与第三方解决方案相结合，您可以创建强大且可自定义的监控生态系统，以满足您的特定需求。通过使用这种组合方法，您可以主动识别和解决问题、优化资源利用率，并确保云应用和服务的整体可靠性和可用性。
执行性能和负载测试
定期进行性能测试有助于确保基于云的应用和基础设施能够处理峰值负载并保持最佳性能。负载测试可模拟真实的流量模式。压力测试会将系统推向极限，以找出潜在的瓶颈和性能限制。此建议与运营就绪情况的流程和工具重点领域相关。
测试性能：使用 Cloud Load Balancing 和负载测试服务模拟实际流量模式并对应用进行压力测试。这些工具可提供有关系统在各种负载条件下的行为的宝贵数据分析，并可帮助您确定需要优化的方面。
优化性能：根据性能测试结果，您可以做出决策，优化云基础设施和应用，以实现最佳性能和可伸缩性。此优化可能涉及调整资源分配、调整配置或实现缓存机制。
例如，如果您发现应用在流量高峰期出现运行缓慢的情况，则可能需要增加分配给应用的虚拟机或容器数量。或者，您可能需要调整 Web 服务器或数据库的配置以提高性能。
通过定期进行性能测试并实施必要的优化，您可以确保基于云的应用和基础设施始终以最佳性能运行，并为用户提供顺畅且响应迅速的体验。这样做有助于您保持竞争优势并赢得客户的信任。
规划和管理容量
为了让云系统持续运行并根据需求变化进行伸缩，您需要主动规划和管理云资源的容量。此建议支持运营就绪情况的流程和工具重点领域。
考虑服务限制并管理资源配额：如需规划云资源的容量，请先了解您计划使用的服务的硬性限制（固定限制）。
- 估算您需要的计算、存储、API 限制和其他资源的配额要求。在需要资源之前，申请适当的配额调整。
- 将指标从 Cloud Monitoring 加载到 BigQuery 中，并使用这些指标来识别流量模式并跟踪系统负载随时间的变化。
- 根据即将开展的营销活动、用户注册和功能发布情况，预测资源需求。此外，还应考虑当前和计划的 SLA 承诺。
设计灵活性和效率：在规划云部署的容量时，请将应用组件与特定机器类型解耦。将工作负载固定到单一机器类型时，您无法利用更新的云硬件或区域容量的变化。
实现自动扩缩：如需根据实时工作负载波动动态调整云资源，请实施自动扩缩政策。自动扩缩算法会评估 CPU 利用率、内存压力和队列深度等指标。根据评估结果，资源会在流量高峰期扩容，在低利用率时段缩容，这有助于优化云资源的费用。
- 使用混合实例模板配置托管式实例组 (MIG)，这些模板结合了当前和新一代机器类型。
- 确保您的 MIG 配置同时包含实例灵活性（指定多种兼容的机器类型）和位置灵活性（将目标分布在某个区域内的多个可用区中）。根据当前的容量要求，系统会自动从后备列表中预配下一个首选机器类型，而不会丢弃请求或限制计算资源。
持续监控和优化
如需管理和优化云工作负载，您必须建立一个持续监控和分析效果指标的流程。此建议与运营就绪情况的流程和工具重点领域相关。
跟踪和收集数据：
如需建立持续监控和分析流程，您需要跟踪、收集和评估与云环境的各个方面相关的数据。通过使用这些数据，您可以主动确定需要改进的方面、优化资源利用率，并确保您的云基础设施始终达到或超出您的性能预期。
查看日志和跟踪记录：
日志可提供有关系统事件、错误和警告的宝贵数据洞见。跟踪记录提供有关通过应用的请求流的详细信息。通过分析日志和跟踪记录，您可以发现潜在问题、确定问题的根本原因，并更好地了解应用在不同条件下的行为。服务之间的往返时间等指标可帮助您识别和了解工作负载中的瓶颈。
针对性能进行调优：
使用性能调优技术显著优化应用响应时间和整体效率。以下是您可以使用的技术示例：
- 缓存：将频繁访问的数据存储在内存中，以减少重复数据库查询或 API 调用的需求。
- 数据库优化：使用索引和查询优化等技术来提高数据库操作的性能。
- 代码性能分析：识别代码中消耗过多资源或导致性能问题的区域。
管理突发事件和问题
Google Cloud Well-Architected Framework 的卓越运营核心中的这一原则提供了一些建议，可帮助您管理与云工作负载相关的突发事件和问题。这涉及实施全面的监控和可观测性、建立清晰的突发事件响应流程、进行彻底的根本原因分析以及实施预防措施。此原则中讨论的许多主题都在可靠性核心中进行了详细介绍。
原则概览
突发事件管理和问题管理是功能性运维环境的重要组成部分。您对不同严重程度的突发事件的响应、分类和解决方式可能会显著影响您的运营。您还必须主动且持续地进行调整，以优化可靠性和性能。高效的突发事件和问题管理流程依赖于以下基本要素：
- 持续监控：快速发现和解决问题。
- 自动化：简化任务并提高效率。
- 编排：有效协调和管理云资源。
- 数据驱动型分析洞见：优化云运营并做出明智的决策。
这些元素可帮助您构建弹性云环境，以应对各种挑战和中断。这些元素还有助于降低代价高昂的突发事件和停机风险，并帮助您实现更高的业务敏捷性和成功。这些基础元素分布在运营就绪性的四个重点领域：员工、流程、工具和治理。
建议
如需有效管理突发事件和问题，请考虑以下部分中的建议。本文档中的每项建议都与运营就绪情况的一个或多个重点领域相关。
制定明确的突发事件响应流程
明确的角色和职责对于确保对突发事件做出有效且协调的响应至关重要。此外，清晰的沟通协议和上报路径有助于确保在突发事件期间及时有效地共享信息。此建议与以下运营就绪重点领域相关：员工、流程和工具。
如需建立突发事件响应程序，您需要定义每个团队成员（例如突发事件指挥官、调查员、沟通人员和技术专家）的角色和预期。建立沟通和上报路径包括确定重要联系人、设置沟通渠道，以及定义在必要时将突发事件上报到更高级别管理层的流程。定期培训和准备有助于确保团队具备有效应对突发事件的知识和技能。
通过在 Runbook 或 Playbook 中记录突发事件响应程序，您可以提供标准化的参考指南，供团队在突发事件期间遵循。该runbook必须概述在突发事件响应流程的每个阶段（包括沟通、分诊、调查和解决）应采取的步骤。还必须包含有关相关工具和资源的信息，以及重要人员的联系信息。您必须定期查看和更新 Runbook，以确保其保持最新且有效。
集中管理突发事件
为了在整个突发事件生命周期内进行有效的跟踪和管理，请考虑使用集中式突发事件管理系统。此建议与以下运营就绪重点领域相关：流程和工具。
集中式突发事件管理系统具有以下优势：
- 提高可见性：通过将所有与突发事件相关的数据整合到一个位置，团队无需在各种渠道或系统中搜索上下文。这种方法可以节省时间并减少混乱，让利益相关方能够全面了解突发事件，包括其状态、影响和进展。
- 更好的协调与协作：集中式系统为沟通和任务管理提供了一个统一的平台。它可促进参与突发事件响应的不同部门和职能部门之间的无缝协作。这种方法可确保每个人都能获取最新信息，并降低沟通不畅和不一致的风险。
- 增强问责和所有权：集中式突发事件管理系统使您的组织能够将任务分配给特定个人或团队，并确保明确定义和跟踪责任。这种方法可以促进问责制并鼓励主动解决问题，因为团队成员可以轻松监控自己的进度和贡献。
集中式突发事件管理系统必须提供强大的突发事件跟踪、任务分配和通信管理功能。借助这些功能，您可以自定义工作流、设置优先级，以及与其他系统（例如监控工具和工单系统）集成。
通过实施集中式突发事件管理系统，您可以优化组织的突发事件响应流程、改进协作并提高可见性。这样做可以缩短突发事件解决时间、减少停机时间并提高客户满意度。它还有助于培养持续改进的文化，因为您可以从过去的突发事件中吸取教训，并确定需要改进的方面。
进行全面的突发事件后审核
突发事件发生后，您必须进行详细的事后审核 (PIR)，也称为事后分析，以确定根本原因、促成因素和经验教训。这种全面的检查有助于您防止将来发生类似突发事件。此建议与以下运营就绪重点领域相关：流程和治理。
PIR 流程必须由在突发事件的各个方面都具有专业知识的多学科团队参与。该团队必须通过访谈、文档审核和现场检查收集所有相关信息。必须创建事件时间轴，以确定导致突发事件发生的一系列操作。
在收集到所需信息后，团队必须进行根本原因分析，以确定导致突发事件的因素。此分析必须找出直接原因以及导致突发事件发生的系统性问题。
除了确定根本原因之外，PIR 团队还必须确定可能导致该突发事件的任何其他促成因素。这些因素可能包括人为错误、设备故障或组织因素（例如沟通不畅和缺乏培训）。
PIR 报告必须记录调查结果，包括事件时间轴、根本原因分析和推荐措施。该报告是实施纠正措施和防止问题再次发生的宝贵资源。该报告必须与所有相关利益相关方共享，并且必须用于制定安全培训和程序。
为确保 PIR 流程成功，您的组织必须营造一种不责备的文化，专注于学习和改进，而不是指责。这种文化鼓励个人报告突发事件，而无需担心受到惩罚，并且有助于您解决系统性问题并做出有意义的改进。
通过开展全面的 PIR 并根据调查结果实施纠正措施，您可以显著降低未来发生类似突发事件的风险。这种主动的突发事件调查和预防方法有助于为所有相关人员创造更安全、更高效的工作环境。
维护知识库
包含已知问题、解决方案和问题排查指南的知识库对于突发事件管理和解决至关重要。团队成员可以使用知识库快速识别和解决常见问题。实施知识库有助于减少上报需求，并提高整体效率。此建议与以下运营就绪重点领域相关：员工和流程。
知识库的主要优势在于，它能让团队从过去的经验中学习，避免重复犯错。通过捕获和分享已知问题的解决方案，团队可以集体了解如何解决常见问题以及突发事件管理的最佳实践。使用知识库可以节省时间和精力，并有助于标准化流程并确保突发事件解决的一致性。
除了有助于缩短突发事件解决时间之外，知识库还能促进跨团队的知识共享和协作。借助中央信息库，团队可以轻松访问知识库并为其做出贡献，从而促进持续学习和改进的文化。这种文化鼓励团队分享他们的专业知识和经验，从而建立更全面、更有价值的知识库。
如需有效创建和管理知识库，请使用适当的工具和技术。Google Workspace 等协作平台非常适合此目的，因为它们可让您轻松协作创建、编辑和共享文档。这些工具还支持版本控制和更改跟踪，可确保知识库始终保持最新且准确。
确保所有相关团队都能轻松访问知识库。您可以通过将知识库与现有突发事件管理系统集成，或者通过提供专用门户或内网网站来实现此目的。借助随时可用的知识库，团队可以快速访问所需信息，从而高效解决突发事件。这种可用性有助于减少停机时间，并最大限度地减少对经营活动的影响。
定期检查和更新知识库，确保其始终具有相关性和实用性。监控异常路况报告，找出常见问题和趋势，并将新的解决方案和问题排查指南纳入知识库。最新的知识库可帮助您的团队更快、更有效地解决突发事件。
实现突发事件响应自动化
Automation 有助于简化突发事件响应和修复流程。它能帮助您及时、高效地应对安全漏洞和系统故障。通过使用 Cloud Run functions 或 Cloud Run 等 Google Cloud 产品，您可以自动执行通常需要手动完成且耗时的各种任务。此建议与以下运营就绪重点领域相关：流程和工具。
自动化突发事件响应具有以下优势：
- 缩短突发事件检测和解决时间：自动化工具可以持续监控系统和应用，实时检测可疑或异常活动，并通知利益相关方或在无需干预的情况下做出响应。借助此自动化功能，您可以在潜在威胁或问题升级为重大突发事件之前及时发现它们。检测到突发事件后，自动化工具可以触发预定义的补救措施，例如隔离受影响的系统、隔离恶意文件或回滚更改，以将系统恢复到已知良好状态。
- 减轻安全和运营团队的负担：自动化的突发事件响应可让安全和运营团队专注于更具战略意义的任务。通过自动执行日常和重复性任务（例如收集诊断信息或触发提醒），您的组织可以腾出人员来处理更复杂和更关键的突发事件。这种自动化可以提高整体突发事件响应的有效性和效率。
- 提高修复流程的一致性和准确性：自动化工具可确保在所有受影响的系统中统一应用修复操作，从而最大限度地降低人为错误或不一致的风险。这种标准化的修复流程有助于最大限度地减少突发事件对用户和业务的影响。
管理并优化云资源
Google Cloud Well-Architected Framework 卓越运营核心中的这一原则提供了相关建议，可帮助您管理和优化云工作负载使用的资源。这涉及根据实际用量和需求合理调整资源规模、使用自动扩缩功能进行动态资源分配、实施费用优化策略，以及定期检查资源利用率和费用。此原则中讨论的许多主题都在费用优化核心中进行了详细介绍。
原则概览
云资源管理和优化在优化云支出、资源用量和基础设施效率方面发挥着至关重要的作用。它包括各种策略和最佳实践，旨在最大限度地提高云支出的价值和回报。
此支柱对优化的关注不仅限于降低成本。它强调以下目标：
- 效率：利用自动化和数据分析来最大限度地提升性能并节省费用。
- 性能：轻松扩缩资源，以满足不断变化的需求并提供最佳结果。
- 可伸缩性：调整基础设施和流程，以适应快速增长和多样化的工作负载。
通过专注于这些目标，您可以在成本和功能之间实现平衡。您可以就资源预配、伸缩和迁移做出明智的决策。此外，您还可以深入了解资源消耗模式，从而在潜在问题升级之前主动识别并解决这些问题。
建议
如需管理和优化资源，请考虑以下部分中的建议。本文档中的每项建议都与运营就绪情况的重点领域中的一个或多个领域相关。
合理调整资源规模
持续监控资源利用率并调整资源分配以匹配实际需求，对于高效管理云资源至关重要。过度预配资源可能会导致不必要的费用，而预配不足可能会导致性能瓶颈，从而影响应用性能和用户体验。为了实现最佳平衡，您必须采取主动方法来调整云资源的大小。此建议与运营就绪情况的治理重点领域相关。
Cloud Monitoring 和 Recommender 可帮助您确定调整大小的机会。Cloud Monitoring 可让您实时了解资源利用率指标。通过这种可见性，您可以跟踪资源使用模式并发现潜在的低效问题。Recommender 会分析资源利用率数据，以便为优化资源分配提供智能建议。通过使用这些工具，您可以深入了解资源使用情况，并就资源合理容量做出明智的决策。
除了 Cloud Monitoring 和 Recommender 之外，您还可以考虑使用自定义指标来触发自动调整大小操作。借助自定义指标，您可以跟踪与应用和工作负载相关的特定资源利用率指标。您还可以配置提醒，以便在达到预定义的阈值时通知管理员。然后，管理员可以采取必要措施来调整资源分配。这种主动方法可确保及时扩缩资源，从而有助于优化云费用并防止出现性能问题。
使用自动扩缩
自动扩缩计算资源和其他资源有助于确保基于云的应用实现最佳性能和成本效益。借助自动扩缩功能，您可以根据工作负载波动动态调整资源容量，以便在需要时获得所需的资源，并避免过度预配和不必要的费用。此建议与运营就绪情况的流程重点领域相关。
为了满足不同应用和工作负载的多样化需求，Google Cloud 提供了各种自动扩缩选项，包括：
- Compute Engine 托管式实例组 (MIG) 是作为单个实体进行管理和扩缩的虚拟机组。借助 MIG，您可以定义自动扩缩政策，用于指定要在实例组中维护的虚拟机数量下限和上限，以及触发自动扩缩的条件。例如，您可以配置一项政策，在 CPU 利用率达到特定阈值时向 MIG 添加虚拟机，并在利用率降至其他阈值以下时移除虚拟机。
Google Kubernetes Engine (GKE) 自动扩缩功能可动态调整集群资源，以满足应用的需求。它提供以下工具：
- 集群自动扩缩器会根据 Pod 资源需求添加或移除节点。
- Pod 横向自动扩缩器会根据 CPU、内存或自定义指标更改 Pod 副本的数量。
- Pod 纵向自动扩缩器会根据使用模式微调 Pod 资源请求和限制。
- 节点自动预配功能会自动为您的工作负载创建经过优化的节点池。
这些工具协同工作，可优化资源利用率、确保应用性能并简化集群管理。
Cloud Run 是一个无服务器平台，可让您运行代码，而无需管理基础设施。Cloud Run 提供内置的自动扩缩功能，可根据传入流量自动调整实例数量。当流量增加时，Cloud Run 会增加实例数量以处理负载。当流量减少时，Cloud Run 会缩容实例数量，以降低费用。
通过使用这些自动扩缩选项，您可以确保基于云的应用拥有处理各种工作负载所需的资源，同时避免过度预配和不必要的费用。使用自动扩缩可以提高性能、节省费用并更高效地使用云资源。
利用成本优化策略
优化云支出有助于您有效管理组织的 IT 预算。此建议与运营就绪情况的治理重点领域相关。
Google Cloud 提供了多种工具和技术来帮助您优化云费用。通过使用这些工具和方法，您可以从云支出中获得最大价值。这些工具和技术可帮助您确定可以降低费用的领域，例如识别未充分利用的资源或推荐更具成本效益的实例类型。 Google Cloud 有助于优化云费用的选项包括：
- 承诺使用折扣 (CUD) 针对您承诺在一段时间内达到一定用量水平的折扣。
- Compute Engine 中的持续使用折扣会针对持续使用某项服务提供折扣。
- Spot 虚拟机可让您以比常规虚拟机更低的费用使用未使用的虚拟机容量。
价格模式可能会随时间而变化，并且可能会推出与现有选项相比性能更好或费用更低的新功能。因此，您应定期查看价格模式，并考虑使用替代功能。通过及时了解最新的价格模式和功能，您可以就云架构做出明智的决策，从而最大限度地降低费用。
Google Cloud的费用管理工具（例如预算和提醒）可提供有关云支出的宝贵分析洞见。借助预算和提醒，用户可以设置预算并在超出预算时收到提醒。这些工具可帮助用户跟踪其云支出，并确定可以降低费用的领域。
跟踪资源用量和费用
您可以使用标记和标签来跟踪资源用量和费用。通过为云资源（例如项目、部门或其他相关维度）分配标记和标签，您可以对资源进行分类和整理。这样，您就可以监控和分析特定资源的支出模式，并确定用量较高或可能节省费用的领域。此建议与以下运营就绪重点领域相关：治理和工具。
Cloud Billing 和成本管理等工具可帮助您全面了解支出模式。这些工具可提供有关云使用情况的详细分析洞见，让您能够发现趋势、预测费用并做出明智的决策。通过分析历史数据和当前支出模式，您可以确定费用优化工作的重点领域。
自定义信息中心和报告可帮助您直观呈现费用数据，并更深入地了解支出趋势。通过使用相关指标和维度自定义信息中心，您可以监控关键绩效指标 (KPI) 并跟踪成本优化目标的进展。报告可对费用数据进行更深入的分析。通过报告，您可以按特定时间段或资源类型过滤数据，以了解导致云支出的潜在因素。
定期查看和更新您的标记、标签和费用分析工具，确保您掌握有关云用量和费用的最新信息。通过及时了解情况并进行费用事后分析或主动费用审核，您可以及时发现任何意外的支出增加。这样，您就可以主动做出决策，以优化云资源并控制费用。
建立费用分配和预算机制
云成本管理中的问责制和透明度对于优化资源利用率和确保财务控制至关重要。此建议与运营就绪情况的治理重点领域相关。
为确保问责制和透明度，您需要有明确的费用分摊和退款机制。通过将费用分配给特定团队、项目或个人，您的组织可以确保每个实体都对其云用量负责。这种做法可以培养主人翁意识，并鼓励负责任的资源管理。此外，通过退款机制，您的组织可以向内部客户收回云费用，使激励措施与绩效保持一致，并促进财务纪律。
为不同的团队或项目制定预算是云费用管理的另一个重要方面。借助预算，您的组织可以定义支出限额，并根据这些限额跟踪实际支出。通过这种方法，您可以做出主动决策，以防止支出失控。通过设置切合实际且可实现的预算，您可以确保云资源得到高效利用并与业务目标保持一致。定期监控实际支出与预算的对比情况，有助于您发现差异并及时解决潜在的超支问题。
如需监控预算，您可以使用 Cloud Billing 预算和提醒等工具。这些工具可提供有关云支出的实时数据分析，并向利益相关方通知潜在的超支情况。通过使用这些功能，您可以跟踪云费用，并在发生重大偏差之前采取纠正措施。这种主动方法有助于防止财务意外，并确保以负责任的方式使用云资源。
将变更流程自动化，同时进行管控
Google Cloud Well-Architected Framework 卓越运营核心中的这一原则提供了相关建议，可帮助您自动执行和管理云工作负载的变更。这涉及实现基础设施即代码 (IaC)、建立标准操作程序、实现结构化变更管理流程，以及使用自动化和编排。
原则概览
变更管理和自动化在确保云环境内平稳、受控的转换方面发挥着至关重要的作用。为了实现有效的变更管理，您需要使用策略和最佳实践，最大限度地减少中断，并确保变更与现有系统无缝集成。
有效的变更管理和自动化包括以下基本要素：
- 变更治理：为变更管理制定明确的政策和流程，包括审批流程和沟通计划。
- 风险评估：识别与变更相关的潜在风险，并通过风险管理技术缓解这些风险。
- 测试和验证：全面测试更改，确保其满足功能和性能要求，并缓解潜在的回归问题。
- 受控部署：以受控方式实施更改，确保用户无缝过渡到新环境，并提供在需要时无缝回滚的机制。
这些基础元素有助于最大限度地减少变更的影响，并确保变更对经营活动产生积极影响。这些要素由运营就绪情况的流程、工具和治理重点领域表示。
建议
如需自动执行和管理更改，请考虑以下各部分中的建议。本文档中的每项建议都与一个或多个运营就绪重点领域相关。
采用 IaC
基础设施即代码 (IaC) 是一种管理云基础设施的变革性方法。您可以使用 Terraform 等工具以声明方式定义和管理云基础设施。IaC 可帮助您实现一致性、可重复性和简化的变更管理。它还支持更快、更可靠的部署。此建议与以下运营就绪重点领域相关：流程和工具。
以下是为云部署采用 IaC 方法的主要优势：
- 人类可读的资源配置：借助 IaC 方法，您可以使用人类可读的格式（例如 JSON 或 YAML）声明云基础设施资源。基础架构管理员和运维人员可以轻松了解和修改基础架构，并与他人协作。
- 一致性和可重复性：IaC 可在基础设施部署中实现一致性和可重复性。您可以确保每次都以相同的方式预配和配置基础设施，无论由谁执行部署。这种方法有助于减少错误，并确保您的基础设施始终处于已知状态。
- 问责制和简化的排查流程：IaC 方法有助于强化问责制，并简化问题排查流程。通过将 IaC 代码存储在版本控制系统中，您可以跟踪更改，并确定更改的时间和更改者。如有必要，您可以轻松回滚到之前的版本。
实现版本控制
Git 等版本控制系统是 IaC 流程的关键组成部分。它提供强大的变更管理和风险缓解功能，因此无论是通过内部开发还是 SaaS 解决方案，都得到了广泛采用。此建议与以下运营准备重点领域相关：治理和工具。
通过跟踪对 IaC 代码和配置的更改，版本控制可让您了解代码的演变，从而更轻松地了解更改的影响并发现潜在问题。这种增强的可见性可促进处理同一 IaC 项目的团队成员之间的协作。
大多数版本控制系统都允许您在需要时轻松回滚更改。此功能有助于降低出现意外后果或错误的风险。通过在 IaC 工作流中使用 Git 等工具，您可以显著改进变更管理流程、促进协作并降低风险，从而实现更高效、更可靠的 IaC 实施。
构建 CI/CD 流水线
持续集成和持续交付 (CI/CD) 流水线可简化云应用的开发和部署流程。CI/CD 流水线可自动执行构建、测试和部署阶段，从而实现更快、更频繁的发布，并改进质量控制。此建议与运营就绪情况的工具重点领域相关。
CI/CD 流水线可确保代码更改持续集成到中央存储库（通常是 Git 等版本控制系统）中。持续集成有助于及早发现和解决问题，并降低出现 bug 或兼容性问题的可能性。
如需为云应用创建和管理 CI/CD 流水线，您可以使用 Cloud Build 和 Cloud Deploy 等工具。
- Cloud Build 是一项全托管式构建服务，可让开发者以声明式方式定义和执行构建步骤。它可与热门的源代码管理平台无缝集成，并可由代码推送和拉取请求等事件触发。
- Cloud Deploy 是一项无服务器部署服务，可自动将应用部署到各种环境（例如测试、预演和生产环境）。它提供蓝绿部署、流量分配和回滚功能等功能，使您可以更轻松地管理和监控应用部署。
将 CI/CD 流水线与版本控制系统和测试框架集成，有助于确保云应用的质量和可靠性。通过在 CI/CD 流程中运行自动化测试，开发团队可以在将代码部署到生产环境之前快速识别并修复任何问题。这种集成有助于提高云应用的整体稳定性和性能。
使用配置管理工具
借助 Puppet、Chef、Ansible 和虚拟机管理器等工具，您可以自动执行云资源的配置和管理。使用这些工具，您可以确保云环境中的资源一致性和合规性。此建议与运营就绪情况的工具重点领域相关。
自动配置和管理云资源具有以下优势：
- 显著降低人为错误的风险：如果涉及手动流程，则由于人为错误而导致出错的可能性更高。配置管理工具通过自动化流程降低了这种风险，从而在所有云资源中一致且准确地应用配置。这种自动化可以提高云环境的可靠性和稳定性。
- 提高运营效率：通过自动执行重复性任务，您的组织可以解放 IT 员工，让他们专注于更具战略意义的计划。这种自动化可以提高工作效率、节省成本，并提高对不断变化的业务需求的响应能力。
- 简化复杂云基础设施的管理：随着云环境的规模和复杂性不断增加，管理资源可能会变得越来越困难。配置管理工具提供了一个集中式平台，用于管理云资源。这些工具可让您更轻松地跟踪配置、发现问题和实施更改。使用这些工具可以提高云环境的可见性、控制力和安全性。
自动执行测试
将自动化测试集成到 CI/CD 流水线中有助于确保云应用的质量和可靠性。通过在部署前验证更改，您可以显著降低错误和回归的风险，从而打造更稳定、更强大的软件系统。此建议与以下运营就绪重点领域相关：流程和工具。
以下是将自动化测试纳入 CI/CD 流水线的主要好处：
- 尽早检测 bug 和缺陷：自动化测试有助于在开发流程的早期检测 bug 和缺陷，以免它们在生产环境中造成重大问题。此功能可避免在开发流程的后期阶段进行代价高昂的返工和 bug 修复，从而节省时间和资源。
- 高质量和基于标准的代码：自动化测试可确保代码符合特定标准和最佳实践，从而有助于提高代码的整体质量。此功能可提高应用的可维护性和可靠性，降低出错率。
您可以在 CI/CD 流水线中使用各种类型的测试技术。每种测试类型都有特定的用途。
- 单元测试侧重于测试各个代码单元（例如函数或方法），以确保它们按预期运行。
- 集成测试用于测试应用的不同组件或模块之间的交互，以验证它们是否能正常协同工作。
- 端到端测试通常与单元测试和集成测试一起使用。端到端测试模拟真实场景，对应用进行整体测试，有助于确保应用满足最终用户的要求。
如需将自动化测试有效集成到 CI/CD 流水线中，您必须选择适当的测试工具和框架。有许多不同的选项，每个选项都有自己的优缺点。您还必须制定明确的测试策略，其中应概述要执行的测试类型、测试频率以及测试通过或失败的标准。遵循这些建议，您可以确保自动化测试流程高效且有效。这样的流程可以提供有关云应用质量和可靠性的宝贵数据。
持续改进和创新
Google Cloud Well-Architected Framework 卓越运营核心中的这一原则提供了相关建议，可帮助您持续优化云运营并推动创新。
原则概览
为了在云端不断改进和创新，您需要专注于持续学习、实验和适应。这有助于您探索新技术并优化现有流程，并促进卓越文化，使您的组织能够实现并保持行业领先地位。
通过持续改进和创新，您可以实现以下目标：
- 加速创新：探索新技术和服务，以增强能力并推动差异化。
- 降低成本：通过流程改进计划识别并消除低效问题。
- 提高敏捷性：快速适应不断变化的市场需求和客户需求。
- 改进决策：从数据和分析中获得有价值的洞见，从而做出数据驱动型决策。
采用持续改进和创新原则的组织可以充分发挥云环境的潜力，并实现可持续增长。此原则主要对应于运营就绪情况的员工重点领域。创新文化让团队能够尝试使用新工具和技术来扩展功能并降低成本。
建议
如需持续改进和创新云工作负载，请考虑以下部分中的建议。本文档中的每项建议都与运营就绪情况的一个或多个重点领域相关。
营造学习文化
鼓励团队不断实验、分享知识和持续学习。采用不指责的文化，将失败视为成长和改进的机会。此建议与运营就绪情况这一员工重点领域相关。
当您培养学习文化时，团队可以从错误中学习并快速迭代。这种方法鼓励团队成员勇于冒险、尝试新想法并拓展工作边界。它还营造了一种心理安全的环境，让个人能够安心地分享失败经验并从中吸取教训。以这种方式分享可以营造一个更加开放和协作的环境。
为了促进知识共享和持续学习，请为团队创造分享知识和相互学习的机会。您可以通过非正式和正式的学习课程和会议来实现这一点。
通过营造实验、知识共享和持续学习的文化，您可以创建一个让团队能够承担风险、创新和成长的环境。这种环境可以提高工作效率、改善问题解决能力，并让员工更加投入、更有动力。此外，通过提倡不指责的文化，您可以为员工创造一个安全的空间，让他们从错误中学习，并为团队的集体知识做出贡献。这种文化最终会打造出更具韧性和适应能力的员工队伍，使他们能够更好地应对挑战，并从长远来看推动成功。
定期进行回顾
回顾让团队有机会反思自己的经验，确定哪些方面做得好，以及哪些方面可以改进。通过在项目或重大事件后进行回顾，团队可以从成功和失败中吸取经验教训，并不断改进其流程和实践。此建议与以下运营就绪重点领域相关：流程和治理。
构建回顾会议的一种有效方法是使用开始-停止-继续模型：
- 开始：在回顾会议的开始阶段，团队成员会确定他们认为可以改进工作的新做法、流程和行为。他们讨论了为什么需要进行这些更改以及如何实施这些更改。
- 停止：在停止阶段，团队成员会识别并消除不再有效或阻碍进展的做法、流程和行为。他们讨论了为什么需要进行这些更改以及如何实施这些更改。
- 继续：在继续阶段，团队成员会确定哪些做法、流程和行为效果良好，必须继续保持。他们讨论了这些要素的重要性以及如何强化这些要素。
通过使用“开始-停止-继续”模型等结构化格式，团队可以确保回顾会议富有成效且重点突出。此模型有助于促进讨论、确定主要收获，并确定未来改进的可行步骤。
及时了解云技术
为了充分发挥 Google Cloud 服务的潜力，您必须紧跟最新进展、功能和最佳实践。此建议与运营就绪情况的员工重点领域相关。
参加相关会议、在线讲座和培训课程是拓展知识面的宝贵途径。这些活动提供了向 Google Cloud 专家学习、了解新功能以及与可能面临类似挑战的行业同行交流的机会。通过参加这些会议，您可以深入了解如何有效使用新功能、优化云运营，以及在组织内推动创新。
为确保您的团队成员跟上云技术的发展步伐，请鼓励他们获得认证并参加培训课程。 Google Cloud提供各种认证，用于验证特定 Cloud Domains 的技能和知识。获得这些认证表明您致力于追求卓越，并提供了您精通云技术的切实证据。 Google Cloud 和我们的合作伙伴提供的培训课程会深入探讨特定主题。它们提供直接的经验和实用技能，可立即应用于实际项目。通过投资于团队的专业发展，您可以培养持续学习的文化，并确保每个人都具备在云端取得成功所需的技能。
积极征求并采纳反馈意见
收集用户、利益相关方和团队成员的反馈。利用这些反馈来发现改进云解决方案的机会。此建议与运营准备情况这一员工重点领域相关。
您收集的反馈可以帮助您了解解决方案用户不断变化的需求、问题和期望。这些反馈是推动改进和确定未来增强功能优先级的宝贵输入。您可以使用各种机制来收集反馈：
- 调查问卷是从大量用户和利益相关方收集定量数据的有效方式。
- 用户访谈提供了收集深入定性数据的机会。通过访谈，您可以了解个别用户的具体挑战和体验。
- 云解决方案中放置的反馈表单为用户提供了一种便捷的方式，让他们可以立即就自己的体验提供反馈。
- 定期与团队成员开会有助于收集有关技术方面和实施挑战的反馈。
您必须分析和综合通过这些机制收集的反馈，以确定常见主题和模式。此分析可帮助您根据建议改进措施的影响和可行性，确定未来增强功能的优先级。通过解决反馈中发现的需求和问题，您可以确保云解决方案持续满足用户和利益相关方不断变化的需求。
衡量和跟踪进度
关键绩效指标 (KPI) 和指标对于跟踪进度和衡量云运营的有效性至关重要。KPI 是反映整体效果的可量化指标。指标是用于计算 KPI 的具体数据点。定期查看指标，并使用这些指标来确定改进机会和衡量进度。这样做有助于您不断改进和优化云环境。 此建议与以下运营准备重点领域相关：治理和流程。
使用 KPI 和指标的主要好处是，它们使您的组织能够采用数据驱动的方法进行云运营。通过跟踪和分析运营数据，您可以就如何改进云环境做出明智的决策。这种以数据为依据的方法可帮助您识别在不使用系统指标的情况下可能无法看到的趋势、模式和异常。
如需收集和分析运营数据，您可以使用 Cloud Monitoring 和 BigQuery 等工具。Cloud Monitoring 可实现对云资源和服务的实时监控。借助 BigQuery，您可以存储和分析通过监控收集的数据。通过结合使用这些工具，您可以创建自定义信息中心，以直观呈现重要指标和趋势。
运营信息中心可以提供最重要指标的集中视图，让您快速确定需要注意的任何方面。例如，信息中心可能包含特定应用或服务的 CPU 利用率、内存用量、网络流量和延迟时间等指标。通过监控这些指标，您可以快速发现任何潜在问题并采取措施加以解决。