SRE: data-driven подход к управлению надёжностью систем [Slurm] [Слёрм] [2022] [Селиванов П. Федорков В. Лакосников П. Гусев М. Бухаров С.]

Проектирование надежности сайта - Site Reliability Engineering: data-driven подход к управлению надёжностью систем [Slurm] [Слёрм] Обновленный онлайн-интенсив по SRE!!! Кому полезно ЛЮДЯМ SRE-инженером может стать как инженер эксплуатации, так и разработчик. Во время обучения вы будете много практиковаться, а полученные навыки и знания можно адаптировать и внедрить в любую сферу. БИЗНЕСУ SRE решает те же проблемы, что и DevOps: увеличивает скорость выхода новых фич и налаживает процессы в команде. Но основная задача SRE – обеспечить стабильность и надежность работы сервисов, исключая ситуации, когда пользователи жалуются на сбои, а у инженеров «графики зеленые». SRE подход — это методология работы с цифровыми продуктами. Её задача — через улучшение процессов и автоматизацию уменьшить время простоя и количество ошибок сервиса, делая бизнес, основанный на информационных системах, более предсказуемым и устойчивым. На интенсиве мы: Строим: Наш учебный сайт состоит из нескольких микросервисов. Он агрегирует данные о сеансах, ценах и свободных местах со всех кинотеатров, показывает анонсы фильмов, дает выбрать кинотеатр, сеанс, зал и место, забронировать и оплатить билеты. Мы сформулируем показатели SLO, SLI, SLA для этого сайта, разработаем архитектуру и инфраструктуру, которая их обеспечит, настроим мониторинг и алертинг. Ломаем: Внутренние и внешние факторы начинают «портить» SLO Ошибки разработчиков, отказы инфраструктуры, наплыв посетителей, DoS-атаки приводят к тому, что SLO ухудшаются. Разбираем устойчивость, error budget, практику тестирования, управление прерываниями и операционной нагрузкой. Чиним: incident response Произошла авария. Сервис обработки платежей лег. Как действовать, чтобы восстановить работоспособность в минимальные сроки? Организуем работу группы по ликвидации аварии: подключение коллег, оповещение интересантов (stakeholders), выстраивание приоритетов. Тренируемся работать под давлением в условиях предельно ограниченного времени. Изучаем: Cмотрим на сайт и инциденты с точки зрения SRE Разбираем подход к сайту с точки зрения SRE. Анализируем инциденты (причины возникновения, ход устранения). Принимаем решение по их дальнейшему предотвращению: улучшаем мониторинг, меняем архитектуру, подход к разработке и эксплуатации, регламенты. Автоматизируем процессы. Требования к участникам: В процессе решения кейсов вам необходимо будет писать код на Python, если вы кодить не умеете, мы определим вас в команду, где эта экспертиза будет. Также необходимо знать Linux и иметь навыки работы в кластере Kubernetes. 6 декабря в 19.00, установочная AMA-сессия Обсудим цели и задачи курса, а также расскажем что такое SRE, распределим на команды. Открытие 2 теоретических тем: Тема 1: Мониторинг Зачем нужен мониторинг Перцентили Alerting Observability Тема 2: Теория SRE SLO, SLI, SLA Durability Error budget 10 декабря 15.00 - 19.00, разбор практик и кейсов Практика: Делаем базовый дашборд и настраиваем необходимые алерты Практика: Добавляем на дашборд SLO/SLI + алерты Практика: Первая нагрузка системы Решение 1 кейса: зависимость downstream. В большой системе существует много взаимозависимых сервисов, и не всегда они работают одинаково хорошо. Особенно обидно, когда с вашим сервисом порядок, а соседний, от которого вы зависите, периодически уходит в down. Учебный проект окажется именно в таких условиях, а вы сделаете так, чтобы он все равно выдавал качество на максимально возможном уровне. 13 декабря в 19.00, AMA-сессия, ответы на вопросы AMA-сессия и ответы на вопросы Открывается доступ к 2-му теоретическому модулю: Решение проблем с окружением и архитектурой Второй модуль построен вокруг решения двух кейсов: зависимость upstream и проблемы с архитектурой. Спикеры расскажут про управление инцидентами, правила для пожарной команды и работу с постмортерами (post mortem) и дадут шаблоны, которые вы сможете использовать в своей команде. Тема 3: Управление инцидентами Resiliencе Engineering Как выстраивается пожарная бригада Насколько ваша команда эффективна в инциденте 7 правил для лидера инцидента 5 правил для пожарного HiPPO — highest paid person's opinion. Communications Leader Тема 4: Инструменты варрума и алерт менеджмента. Вest practiсe других компаний в организации инцидент-менеджмента. 17 декабря 15.00 - 19.00, разбор практик и кейсов Решение 2 кейса: зависимость upstream. Одно дело, когда вы зависите от сервиса с низким SLO. Другое дело, когда ваш сервис является таковым для других частей системы. Так бывает, если критерии оценки не согласованы: например, вы отвечаете на запрос в течение секунды и считаете это успехом, а зависимый сервис ждёт всего 500 мск и уходит с ошибкой. В кейсе обсудим важность согласования метрик и научимся смотреть на качество глазами клиента. Решение 3 кейса: проблемы с базой данных. База данных тоже может быть источником проблем. Например, если не следить за replication relay, то реплика устареет и приложение будет отдавать старые данные. Причём дебажить такие случаи особенно сложно: сейчас данные рассогласованы, а через несколько секунд уже нет, и в чём причина проблемы — непонятно. Через кейс вы прочувствуете всю боль дебага и узнаете, как предотвращать подобные проблемы. Практика работы с постмортемами Практика: Пишем постмортем по предыдущему кейсу и разбираем его со спикерами. 20 декабря в 19.00, AMA-сессия, ответы на вопросы AMA-сессия и ответы на вопросы по предыдущим темам. Открывается доступ к 3-му теоретическому модулю: Traffic shielding и канареечные релизы В третьем модуле мы разберем кейс, посвященный проблеме с окружением, а также поэтапно разберем, как внедрять SRE в компании и узнаем опыт компаний, в которых работают спикеры курса. Тема 5: Health Checking Health Check в Kubernetes Жив ли наш сервис? Exec probes InitialDelaySeconds Secondary Health Port Sidecar Health Server Headless Probe Hardware Probe Тема 6: Способы деплоймента Тема 7: SRE онбординг проекта В крупных компаниях нередко формируют отдельную команду SRE, которая берёт на поддержку сервисы других отделов. Но не каждый сервис готов к тому, чтобы его можно было взять на поддержку. Расскажем, каким требованиям он должен отвечать. А также спикеры поделяться опытом, как у них проходило внедрение SRE и на какие грабли они наступали. 24 декабря 15.00 - 19.00, разбор практик и кейсов Решение 4 кейса: проблема с окружением, билеты купить невозможно. Задача Healthcheck — обнаружить неработающий сервис и заблокировать трафик к нему. И если вы думаете, что для этого достаточно сделать рутом запрос к сервису и получить ответ, то вы ошибаетесь: даже если сервис ответит, это не гарантирует его работоспособность — проблемы могут быть в окружении. Через этот кейс вы научитесь настраивать корректный Healthcheck и не пускать трафик туда, где он не может быть обработан. 27 декабря в 19.00, AMA-сессия, подведение итогов SRE онбординг проекта В крупных компаниях нередко формируют отдельную команду SRE, которая берёт на поддержку сервисы других отделов. Но не каждый сервис готов к тому, чтобы его можно было взять на поддержку. Расскажем, каким требованиям он должен отвечать. А также спикеры поделяться опытом, как у них проходило внедрение SRE и на какие грабли они наступали. Спикеры курса: Павел Селиванов Владислав Федорков Павел Лакосников Максим Гусев Сергей Бухаров Мы проводим этот практикум для инженеров в шестой раз. Программа сформирована с участием SRE-инженеров из зарубежных и российских компаний, таких как: Google, Booking, Databricks, TangoMe, Яндекс, Ecommpay, Финам. На время обучения вы станете SRE для сервиса покупки билетов в кинотеатр. Решая предложенные кейсы, вы получите представление, чем занимается SRE в реальности. На интенсиве вы: узнаете, как снизить ущерб от отказов в будущем. внедрите правки прямо в прод; узнаете, как решать конкретные проблемы, связанные с надежностью сервиса; поймете, какие метрики собирать и как это делать правильно; научитесь быстро поднимать продакшн силами команды; Продажник: https://slurm.io/sre