在云原生技术快速迭代的背景下，质量保障面临诸多挑战，如质量标准缺乏量化、质量能力退化以及相同风险、故障重复发生等问题。这些问题不仅影响系统的稳定性，也增加了业务风险。本次分享将介绍百度如何通过“数字免疫”概念构建可持续的高质量保障体系，探讨通过质量能力数字化、产品规模化和智能增强三大路径，帮助团队系统性提升质量保障能力，希望能为其他企业提供一些参考。

演讲提纲

1. 背景与机遇

• 云原生趋势下质量保障的挑战
• 数字化免疫能力带来的机遇

2. 基于数字化的免疫建设路径

• 业界调研与百度自研路径选择
• 实现路径：数字化、产品规模化落地及智能化探索

3. 免疫能力系统方案设计

• 质量能力数字化：五大场景的数字化建模与风险识别
• 产品化生态构建：统一数仓的灵活编排能力及多方协同共建模式
• 智能化探索：风险处置的自助化、智能闭环处理探索

4. 数字免疫应用落地实践

• 统一数仓建设：解决数据标准化量化不足
• 规则库推广：通过灵活的可组合能力，降低使用门槛，支持业务共建生态
• 数字化风险治理：风险治理与智能闭环探索

5. 总结与展望

• 从数字化到数智化免疫系统的核心价值与行业意义
• AI 时代质量保障能力的持续探索方向

您认为，这样的技术在实践过程中有哪些痛点？

• 统一数仓的构建仍然存在一定的适配成本、维护成本以及后期的拓展成本
  • 对接（理解）底层不同云产品的数据过程中，需要投入专家人力
  • 随着接入用户和定制化策略增多，统一数仓在未来每一次的结构更新和性能优化都面临较大挑战
• 产品化开放生态的同时，也面临着大量的“冗余”策略，对策略调优有较大挑战
  • 自定义策略较高的灵活性，在业务接入初期可以带来明显的正向收益；但是随着业务的迭代、人员更替，新旧策略的汰换、历史任务退场等可能影响评估准确性
  • 对于自定义策略，目前暂无较好的通用调优方案；用户想自行维护低冗余策略，减少低效开支，需要投入较大成本

演讲亮点

• 质量能力保障理念革新：由被动治理转变为协同共建治理，降低理解和使用成本
• 质量能力治理左移：由被动解决问题到风险治理，规避故障发生

听众收益

• 了解百度在质量保障领域的数字化转型与智能化实践的工程经验 
• 了解数字免疫能力在落地过程中的技术点
• 了解云原生与 AI 时代下质量保障的未来发展方向，为其他企业提供参考

智能家居市场近年来高速增长，技术革新与消费升级是主要驱动力。米家作为小米 IoT 业务的核心，已成为全球最大的消费级物联网平台，接入设备达 8.61 亿台，月活用户超 1 亿。由于 IoT 业务的特殊性，运维需同时保障用户和设备的稳定性，且用户对故障的容忍度极低，故障易引发社会关注。

本次演讲将通过米家历史故障案例，介绍近 2-3 年米家是如何通过完善应急保障体系和运维自动化平台，逐步提升业务稳定性，包括业务架构优化、基础组件升级、质量加固经验以及故障预案的制定与实施。

演讲提纲

1. 小米 IoT 业务及架构介绍

• 业务概况
• 架构详解

2. IoT 业务质量保障遇到的问题和挑战

• 用户和设备双侧稳定性保障难题
• 用户对故障的低容忍与应对压力

3. SRE 的故障应急体系的建设与落地

• 预警机制
• 预案管理
• 关键服务的故障自愈
• 应急指挥&协作机制
• 复盘改进

4. 应急案例分享

您认为，这样的技术在实践过程中有哪些痛点？

• 用户和设备双侧稳定性能力保障能力的建设
• 自动化运维能力有待提升，后续如何通过 AIOps 能力增强业务稳定性

演讲亮点

• 全球领先平台的独家经验分享，米家作为全球最大的消费级物联网平台，首次深度揭秘其在 IoT 业务质量保障方面的宝贵经验
• 故障应急体系建设的方法论结合具体案例，系统性的介绍如何全面提升业务质量

听众收益

• 深入了解 IoT 业务特性与质量保障精髓
• 掌握系统性提升业务质量的方法论
• 探索 IoT 业务与运维系统的平衡之道

在数字化转型的浪潮下，随着云原生技术的不断成熟，企业数字化转型也在不断加速，企业IT架构进入云原生时代，多云多集群部署已经成为常态和趋势，几何增长的云资源、微服务以及复杂化的调用关系与业务场景，传统人肉运维难以为继。如何保障系统的全面稳定，保证业务流程的高效运转，为系统运维提出了不小的挑战。

本次分享将围绕安全生产保障体系建设思路，以及端到端全流程的系统全生命周期稳定性保障工具建设视角，介绍中国联通超大规模IT系统稳定性保障实践经验，希望能为其他企业提供一些参考和帮助。

演讲提纲

1. 背景挑战：超大规模系统的稳定性困局

• 云原生下系统安全生产面临的挑战
• 系统应急保障的常见问题痛点

2. 体系能力：应急保障主动防御架构设计

• 应急保障体系整体解决方案
• 监控预警与故障诊断
• 故障调度快速抢通
• 应急演练主动预防

3. 案例分享：应急保障场景落地实践

• 故障自愈的经典场景
• 自动化应急处置案例

4. 总结与展望

• 应用实施落地效果
• 未来 AI 大模型赋能

您认为，这样的技术在实践过程中有哪些痛点？

• 超大规模 IT 系统下的超大数据量处理实时性与告警诊断准确性的平衡博弈
• 生产运维确定性稳态与 AI 生成式大模型的不确定性的平衡博弈

演讲亮点

• 技术体系与核心能力结合视角，介绍系统稳定性保障落地思路
• 结合具体案例，系统性的介绍中国联通超大规模 IT 系统稳定性保障实践

听众收益

• 深度解读安全生产稳定性保障落地思路，获得可复用的稳定性保障架构设计方法论
• 获取稳定性保障实战的关键技术细节和踩坑经验，规避共性问题陷阱，了解行业技术演进趋势

在 VUCA 时代，IT 系统日趋复杂、多变、脆弱，线上故障频发，如何快速有效地进行应急处置、保障系统的稳定性是每一位 SRE 必须直面的问题。

本次分享将结合美图 SRE 团队的实践经验，深入探讨故障应急的各个环节。并由此展开，给大家呈现一个典型的“故障生命周期”。我将沿着这个脉络对故障的本质和常见原因进行剖析，对可观测性建设、灾备建设、应急预案及演练、故障复盘等日常高频工作场景进行讲解。此外，也将对 AIOps、LLM Ops 等前沿的技术做一些探讨和交流。相信这些内容对于听众，尤其是中小型企业的 SRE 同学，在提高应急响应能力、提升系统稳定性建设水平等方面会有所帮助。

演讲提纲

1. 引子：你是否会“谈故障色变”，遇到故障慌不慌，为个啥？

2. 洞若观火：洞察本质，掌握规律

• SRE 的核心职责 与 企业发展的关系
• 构建「大框架」：可靠性工程的「全生命周期」
• 构建「大框架」：稳定性运营的「全景图」
• 建立对故障的正确认识
• 稳定性工作的度量 和 工作目标

3. 未雨绸缪：体系建设，主动出击

• 体系化建设清单
• 可观测性建设
• 高可用建设
• 应急预案及预案演练
• SRE 工具箱建设

4. 指挥若定：有章可循，有条不紊

• 原则和建议
• 流程机制约定
• 故障现场指挥
• 常见故障场景 及 常见手段
• 非常规模式 及 处置方法
• 血泪案例分享

5. 复盘改进：吃堑长智，举一反三

• 工作清单复盘
• 故障复盘：从“黄金三问”到“深度思考”
• 如何进行故障的定级、定性、定责？
• 周期回顾 和 数据洞察

6. 补充总结 & 未来展望

• 故障管理 之 体系化框架
• 前沿技术探索及展望

您认为，这样的技术在实践过程中有哪些痛点？

• “老生常谈”的几个需要平衡的问题及 SRE 所面临的典型困境
  • 稳定性建设的目标、业务高速迭代的效率诉求、公司在稳定建设方面可以投入的资源之间会存在矛盾
  • SRE人手不足、工具建设不到位、忙于救火、疲于应付的恶性循环。破除这些困境，需要找到合适的切入点，方法也因时、因地不尽相同
• 新技术的应用和落地：AIOps、LLM Ops 等新技术为故障应急带来了新的可能性，现在业界也有很多探索和实践。尤其是随着DeepSeek开源之后，有很多团队也在积极拥抱和尝试，但如何将这些技术真正应用到实践中，在落地过程中还有一些问题尚待探索和解决。
• 业务系统、环境的复杂性，可能会带来一些“未知的未知”，这些会对故障应急带来非常大的挑战。

演讲亮点

• 故障管理的流程化和规范化
• 稳定性运营的持续改进

听众收益

• 掌握故障应急的系统性方法：从故障的本质出发，系统性地思考和解决故障应急问题，而不是仅仅停留在“头痛医头，脚痛医脚”
• 提升故障处理的实战能力：了解美图 SRE 团队在故障应急方面的实践，包括可观测性建设、高可用建设、应急预案制定与演练、故障复盘等实操性实践