前一篇處理「升級與回滾：模型服務更新怎麼不把平台一起帶走」，這篇進一步討論「Secret、權限與營運邊界：SRE 也要管安全」。共同的量測條件是前後比較的基礎。

今天要回答的問題

整理服務帳號、secret、最小權限、管理介面與操作稽核，強調「可維運」與「可被濫用」的界線。

工程邊界

營運變更要先設計回頭路

模型、runtime、driver、database schema 與設定都可能讓服務行為改變。安全的變更需要版本化 artifact、明確的 rollout 範圍、health gate 與 rollback 條件。Secret 則應與一般設定分離，限制讀取範圍並保留輪替能力。

SRE 的安全不是額外章節，而是可靠性的一部分：權限過大會擴大 blast radius，憑證過期會造成 outage，無法回滾的更新則會把小錯誤放大成長時間中斷。

一個可以直接重現的起點

今天的實作原則

驗證時先固定環境與輸入，每次只改一個變因，並同時記錄操作方法與判定標準。

驗證最低權限下的讀取邊界

先把「以最低權限身份驗證 secret 注入、讀取邊界與 audit」需要固定的輸入、版本與環境集中在同一份小型測試計畫；函式名稱代表實際工具。

plan = {
    "change": '以最低權限身份驗證 secret 注入、讀取邊界與 audit',
    "fixed": ("input", "version", "environment"),
    "metrics": ('拒絕事件', 'secret exposure scan', '權限差異'),
}
for round_no in range(1, 4):
    sample = run_once(plan)  # 接上實際壓測或維運工具
    save_sample(round_no, sample)

驗證與落地方式

驗證可從「以最低權限身份驗證 secret 注入、讀取邊界與 audit」開始。先以未施加變更的狀態建立 baseline，再執行目標條件，最後確認服務能回到穩定狀態。三個階段使用相同輸入與觀察時間窗，可降低 warm-up、cache 與背景工作造成的誤判。若測試包含故障或資源壓力，應限定在隔離環境，事先設定停止條件與復原方式。

觀察資料要同時涵蓋使用者體感、服務行為與主機資源。這篇優先比較：拒絕事件、secret exposure scan、權限差異。單看資源使用率無法代表服務健康；吞吐提高也可能伴隨排隊、錯誤率或尾端延遲惡化。至少重複三輪並保留每輪條件，才能區分穩定趨勢與偶發尖峰。

常見誤判

• 只看平均值，忽略 P95、錯誤率與恢復時間，容易低估少數使用者遇到的嚴重延遲。
• 同時更換模型、參數、資料與基礎設施，數字即使改善，也無法判斷真正原因。
• 只驗證正常路徑，沒有測試容量邊界、依賴失效與復原流程，上線後仍可能在第一個異常點失守。

上線前檢查

確認監控能回答「何時開始、影響多大、哪一層先異常」，並為超時、容量與復原設定可操作門檻。所有門檻都應對應負責人與處置方式；無法觸發行動的數字只適合分析，不適合作為告警。

如何閱讀結果

結果可分成使用者影響、服務訊號與資源訊號三層閱讀。先確認錯誤率與延遲是否超出承諾，再沿時間線追查 queue、依賴與主機資源。若只有 GPU 或 CPU 使用率改變，但使用者指標沒有同步變化，只能視為線索，不能直接宣告根因。

單次測試適合發現風險，不足以證明長期容量。正式採用前還要加入較長時間的穩定性測試與版本回歸，確認重新啟動、流量波動及依賴短暫異常不會改變原本結論。

結果判讀

判讀不只看最大或最漂亮的數字。這一天真正要回答的是：確認營運權限不等於任意讀取全部秘密。

如果核心指標改善，但錯誤率、尾端延遲、資源成本或恢復能力變差，這代表取捨，而不是無條件進步。相反地，沒有改善也不是無效結果；至少能排除一條看似合理、實際上不值得增加複雜度的路。

今天的結論

今天的工程判斷是：確認營運權限不等於任意讀取全部秘密。無論結果支持或否定原本假設，都必須保留完整條件，才能和下一天的實驗串在一起。

下一篇將處理：Game Day：一次把 GPU、DB、磁碟與模型服務都當成會壞。

參考資料

• Google SRE Book
• Prometheus Documentation
• vLLM Documentation
• PostgreSQL Backup and Restore