ДЕНЬ 1: 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

ДЕНЬ 2: 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.

ДЕНЬ 3: AMA-сессия, 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.

ДЕНЬ 4: 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: Пишем постмортем по предыдущему кейсу и разбираем его со спикерами.

ДЕНЬ 5: 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 (здесь будет подробный разбор Health Checking), а также поэтапно разберем, как внедрять SRE в компании и узнаем опыт компаний, в которых работают спикеры интенсива.

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.

ДЕНЬ 6: 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.

Подведение итогов