Курс SRE – видеозапись

Язык преподавания в курсе – русский. Вскоре будет доступна украинская версия этого курса.

Видеозаписи лекций без обратной связи и участия преподавателя. Вы получите доступ к материалам сразу после оплаты.

На курсе вы будете:

Строить

Сформулируете показатели SLO, SLI, SLA для сайта, состоящего из нескольких микросервисов, разработаете архитектуру и инфраструктуру, которая их обеспечит, соберете, протестируете и задеплоите сайт, настроите мониторинг и алертинг.

Ломать

Рассмотрите внутренние и внешние факторы ухудшения SLO: ошибки разработчиков, отказы инфраструктуры, наплыв посетителей, DoS-атаки. Разберетесь в устойчивости, error budget, практике тестирования, управлении прерываниями и операционной
нагрузкой.

Чинить

Организуете работу группы по ликвидации аварии в минимальные сроки: подключение коллег, оповещение интересантов (stakeholders), выстраивание приоритетов. Имитация реальных условий: восстановление работоспособности сервиса в условиях предельно ограниченного времени.

Изучать

Разберете подход к сайту с точки зрения SRE. Проанализируете инциденты (причины возникновения, ход устранения). Примете решение по их дальнейшему предотвращению: улучшить мониторинг, изменить архитектуру, подход к разработке и эксплуатации, регламенты. Автоматизируете процессы.

Требования:

– Свободное владение Linux;
– Любой язык программирования: уровень Junior;
– GitLab: навыки автоматизации;
– Prometheus: навыки мониторинга;
– Kubernetes: навыки работы в кластере.

Тема №1: Основные принципы и методы SRE

– Что нужно чтобы стать SRE?
– DevOps vs SRE
– Почему разработчики ценят SRE и очень грустят, когда в проекте их нет
– SLI, SLO и SLA
– Error budget и его роль в SRE

Тема №2: Дизайн распределенных систем

– Архитектура и функционал приложения
– Non-Abstract Large System Design
– Operability / Design for failure
– gRPC или REST
– Версионирование и обратная совместимость

Тема №3: Как принимают проект SRE

– Лучшие практики от SRE
– Чек-лист приема проекта
– Логирование, метрики, трейсинг
– Забираем CI/CD в свои руки

Тема №4: Проектирование и запуск распределенной системы

– Обратное проектирование — как работает система?
– Согласовываем SLI и SLO
– Практика capacity planning
– Запуск трафика на приложение, наши пользователи начинают им «пользоваться»
– Запускаем Prometheus, Grafana, Elastic

Тема №5: Monitoring, Observability and Alerting

– Monitoring vs. Observability
– Настраиваем мониторинг и алертинг с Prometheus
– Практический мониторинг SLI и SLO
– Symptoms vs. Causes
– Black-Box vs. White-Box Monitoring
– Распределенный мониторинг доступности приложений и серверов
– 4 золотых сигнала (обнаружение аномалий)

Тема №6: Практика тестирования надежности систем

– Работа под давлением
– Failure-injection
– Chaos Monkey

Тема №7: Практика incident response

– Алгоритм управления стрессом
– Взаимодействие между участниками инцидента
– Постмортем
– Knowledge sharing
– Формирование культуры
– Контроль неисправностей
– Проведение blameless разбора полетов

Тема №8: Практика управления нагрузкой

– Балансировка нагрузки
– Отказоустойчивость приложений: retry, timeout, failure injection, circuit breaker
– DDoS (создаем нагрузку) Cascading Failures

Тема №9: Реагирование на инциденты

– Разбор полетов
– Практика On-Call
– Различные типы аварий (тестирование, изменение конфигурации, сбой оборудования)
– Протоколы управления инцидентами

Тема №10: Диагностика и решение проблем

– Журналирование
– Отладка
– Практика анализа и отладки на нашем приложении

Тема №11: Тестирование надежности систем

– Нагрузочное тестирование
– Тестирование конфигураций
– Тестирование производительности
– Canary release

Тема №12: Самостоятельная работа и ревью

– Реальные кейсы
– Проверка спикерами