SRE: stabil működés, mérhető célokkal.
Üzleti szempontú megbízhatósági célokat állítunk fel, hibakerettel egyensúlyozunk a fejlesztés és a stabilitás között, és begyakoroljuk az incidenskezelést – mielőtt élesben kellene.
- SLO és hibakeret
- Begyakorolt incidenskezelés
- Hibáztatás nélküli okelemzés
A checkout hibakerete gyorsan fogy: az égési ráta 6× a megengedett. Ügyelet riasztva.
Átvettem. A 13:55-ös kiadás óta nőtt a hibaarány – visszaállítom.
Helyreállt. Hibaarány a cél alatt, a felhasználók 0,3%-át érintette.
Szemléltető példa – nem ügyféladat.
Ismerős helyzet?
Így szokott kezdődni – és ezekre a helyzetekre építjük a megoldást.
Így oldjuk megMár megint leállt. Mennyire megbízható ez a rendszer egyáltalán?
⚠ Nincs mérhető célAz üzemeltetés minden kiadást megfog, mert fél a leállástól.
⚠ Sebesség kontra stabilitásHajnali három, leállás, és senki nem tudja, kinek kell szólni.
⚠ Rögtönzött incidenskezelésAmit bevezetünk
A Google által kidolgozott SRE-gyakorlat, a cég méretéhez igazítva.
SLI és SLO
Mérhető megbízhatósági célok a felhasználó szemszögéből.
Hibakeret
Közös szabály: mikor mehet gyorsan a fejlesztés, mikor a stabilitás az első.
Incidenskezelés
Szerepek, eszkaláció, kommunikáció – begyakorolva.
Okelemzés
Hibáztatás nélküli postmortem és megelőző javítások.
Rezilienciateszt
Káosztesztek és katasztrófa-helyreállítási próbák.
Toil csökkentése
Ismétlődő kézi üzemeltetési munka automatizálása.
Az SRE lépésről lépésre
A mérhető céloktól a begyakorolt helyreállításig.
SLI és SLO
Kiválasztjuk, mi számít a felhasználónak – elérhetőség, válaszidő, hibaarány –, és ezekre mérhető célt tűzünk ki. A cél nem a 100%, hanem amit az üzlet valóban igényel.
- Felhasználói szempontú mutatók
- Reális, üzleti célok
- Mérés a meglévő megfigyelésből
Hibakeret
Az SLO-ból hibakeret következik: amíg van keret, a csapat gyorsan adhat ki; ha fogy, a stabilitás kerül előtérbe. Ez a közös szabály véget vet a fejlesztés és az üzemeltetés vitájának.
- Égési ráta alapú riasztás
- Közös döntési szabály
- Havi áttekintés
Incidenskezelés
Szerepeket, eszkalációs rendet és kommunikációs sablont vezetünk be, és gyakorlatokon begyakoroljuk. Így egy hajnali leállásnál mindenki tudja, mi a dolga.
- Szerepek és eszkaláció
- Kommunikáció és státuszoldal
- Incidens-gyakorlatok
Okelemzés és reziliencia
Minden jelentős incidens után hibáztatás nélküli okelemzés készül, a tanulságokból javítás lesz. Káosztesztekkel és DR-próbákkal ellenőrizzük, hogy a rendszer valóban kibírja a hibákat.
- Postmortem és megelőzés
- Káosztesztek
- DR-próba
A megbízhatósági kör
A szolgáltatás jelzéseiből SLI-k lesznek; az SLO és a hibakeret alapján riasztunk, az incidens begyakorolt rend szerint zajlik, a tanulságok pedig a javítási backlogba kerülnek.
Üzemeltetés – rögtönözve és SRE-vel
- „Mindig működjön” – mérhető cél nélkül
- Vita a fejlesztés és az üzemeltetés között
- Rögtönzött hibaelhárítás hajnalban
- Ugyanaz a hiba újra és újra
- Mérhető SLO-k, üzleti alapon
- Hibakeret: közös döntési szabály
- Begyakorolt szerepek és eszkaláció
- Okelemzés és megelőző javítás
Kinek ajánljuk?
Bevételt termelő rendszer
Minden perc leállás pénzbe kerül.
Sebesség és stabilitás
Hibakerettel mindkettő megvan.
Rezilienciakövetelmények
Bizonyítható helyreállítási képesség.
Megelőzés
Okelemzés és javítás rendszerben.
24/7 felkészülés
Szerepek, runbookok, gyakorlatok.
SRE-gyakorlat bevezetése
Coaching és közös munka.
Amiből építkezünk
Mérés
- Prometheus
- Grafana SLO
- OpenTelemetry
Riasztás és ügyelet
- Alertmanager
- PagerDuty / Jira Service Management
- Microsoft Teams
Reziliencia
- AWS Fault Injection Service
- Chaos Mesh
- DR-runbookok
Gyakorlat
- SLO-workshop
- Postmortem-sablon
- Incidens-gyakorlat
Átlátható megbízhatóság
- SLO-riport a vezetőségnek
- Dokumentált incidensek és okelemzések
- Világos szerepek és felelősök
- Rendszeres helyreállítási próba
Gyakori kérdések
Mi a különbség az SRE és a hagyományos üzemeltetés között?
Az SRE mérhető célokkal (SLO) és mérnöki eszközökkel dolgozik: automatizál, hibakerettel dönt, és minden incidensből tanul. A hagyományos üzemeltetés gyakran reaktív, és a stabilitást a változások lassításával éri el.
Mi a hibakeret?
Ha a cél 99,9% elérhetőség, akkor 0,1% a megengedett hiba – ez a hibakeret. Amíg van belőle, a csapat bátran adhat ki; ha elfogy, a stabilitás kerül előtérbe.
Kell ehhez külön SRE-csapat?
Nem feltétlenül. Kisebb cégeknél az SRE-gyakorlatot a meglévő csapat vezeti be, mi coachinggal és közös munkával segítünk; igény esetén az ügyeletet is átvesszük.
Segít a rezilienciakövetelményekben?
Igen. A dokumentált SLO-k, incidensek, okelemzések és helyreállítási próbák jó bizonyítékot adnak például a pénzügyi szektor digitális működési rezilienciájáról szóló uniós rendelet (DORA) követelményeihez.
Kapcsolódó olvasnivaló
Beszéljük át az Ön helyzetét
Egy kötelező kérdés, a neve és az e-mail-címe – a többi mező nem kötelező.
- Átnézzük a válaszait.
- Kollégánk felveszi Önnel a kapcsolatot, és egy rövid hívásban pontosítjuk a célokat.
- Konkrét javaslatot adunk az első lépésre.

