Site Reliability Engineering - kurz 65 000 rub. ze Slurmu, školení, Datum 1. ledna 2024.

instagram viewer

DEN 1: Úvodní zasedání AMA

Probereme cíle a cíle kurzu a také vám řekneme, co je SRE a rozdělíme to do týmů.

Otevření 2 teoretických témat:

Téma 1: Monitorování

• Proč je nutné monitorování?
• Percentily
• Upozornění
• Pozorovatelnost

Téma 2: Teorie SRE

• SLO, SLI, SLA
• Trvanlivost
• Chyba rozpočtu

DEN 2: analýza praktik a případů

Praxe: Vytvoření základního dashboardu a nastavení potřebných upozornění

Praxe: Přidání SLO/SLI + upozornění na palubní desku

Praxe: První zatížení systému

Řešení případu 1: downstreamová závislost.

Ve velkém systému existuje mnoho vzájemně propojených služeb a ne vždy fungují stejně dobře. Je to obzvláště nepříjemné, když je vaše služba v pořádku, ale ta sousední, na které jste závislí, pravidelně klesá.

Vzdělávací projekt se ocitne přesně v těchto podmínkách a vy zajistíte, že bude stále produkovat kvalitu na nejvyšší možné úrovni.

DEN 3: Sezení AMA, odpovědi na otázky

Otevře se přístup do 2. teoretického modulu:

Řešení problémů s prostředím a architekturou

Druhý modul je postaven na řešení dvou případů: upstream závislosti a architektonických problémů. Přednášející budou hovořit o řízení incidentů, pravidlech pro hasiče a práci s pitvou a poskytnou šablony, které můžete použít ve svém týmu.

Téma 3: Řízení incidentů

• Resilience Engineering
• Jak vzniká hasičský sbor
• Jak efektivní je váš tým v incidentu?
• 7 pravidel pro vedoucího incidentu
• 5 pravidel pro hasiče
• HiPPO - názor nejlépe placené osoby. Vedoucí komunikace

TTéma 4: Nástroje Varrum a správa výstrah.

Nejlepší praxe jiných společností při organizování správy incidentů.

DEN 4: Analýza praktik a případů

Řešení případu 2: upstream závislost.

Jedna věc je, když jste závislí na službě s nízkým SLO. Jiná věc je, když je vaše služba stejná pro ostatní části systému. K tomu dochází, pokud kritéria hodnocení nejsou konzistentní: například odpovíte na požadavek během sekundy a považujete jej za úspěšný, ale závislá služba čeká pouze 500 moskevského času a odejde s chybou.

V případě probereme důležitost harmonizace metrik a naučíme se dívat na kvalitu očima klienta.

Řešení případu 3: problémy s databází.

Zdrojem problémů může být i databáze. Pokud například nebudete sledovat přenos replikace, replika bude zastaralá a aplikace vrátí stará data. Kromě toho je ladění takových případů obzvláště obtížné: nyní jsou data nekonzistentní, ale po několika sekundách již nejsou konzistentní a není jasné, co je příčinou problému.

Prostřednictvím pouzdra pocítíte všechnu bolest ladění a naučíte se, jak takovým problémům předcházet.

Praxe: Napíšeme pitvu na předchozí případ a probereme to s řečníky.

DEN 5: Sezení AMA, odpovědi na otázky

Sezení AMA a odpovědi na otázky k předchozím tématům.

Otevře se přístup do 3. teoretického modulu:

Dopravní stínění a vypouštění kanárků

Ve třetím modulu rozebereme případ věnovaný problému s životním prostředím (bude zde podrobný rozbor Health Kontrola) a také krok za krokem analyzujeme, jak implementovat SRE ve firmách a dozvíme se zkušenosti společností, kde řečníci pracují intenzivní

Téma 5: Kontrola stavu

• Kontrola stavu v Kubernetes
• Je naše služba stále naživu?
• Exec sondy
• InitialDelaySeconds
• Port sekundárního zdraví
• Server zdraví Sidecar
• Bezhlavá sonda
• Hardwarová sonda

Téma 6: Metody nasazení

Téma 7: Onboarding projektu SRE

Velké společnosti často tvoří samostatný tým SRE, který přebírá na podporu služby jiných oddělení. Ne každá služba je ale připravena na přijetí k podpoře. Řekneme vám, jaké požadavky musí splňovat. Řečníci se také podělí o své zkušenosti, jak implementovali SRE a jaké chyby udělali.

6. DEN: analýza praktik a případů

Řešení případu 4: je problém s prostředím, nelze zakoupit vstupenky.

Úkolem Healthchecku je detekovat nefunkční službu a blokovat provoz na ni. A pokud si myslíte, že k tomu stačí zadat požadavek na službu s rootem a dostat odpověď, pak vy mýlíte se: i když služba odpoví, nezaručuje to její fungování - mohou nastat problémy okolí.

Prostřednictvím tohoto případu se naučíte, jak nakonfigurovat správný Healthcheck a nedovolit, aby provoz směřoval tam, kde jej nelze zpracovat.

Shrnutí