Iniciar prueba gratuita
Popular Nuevos Géneros Autores
EnglishEnglish
EspañolSpanish
简体中文Chinese
繁體中文Chinese (Traditional)
FrançaisFrench
DeutschGerman
日本語Japanese
PortuguêsPortuguese
ItalianoItalian
한국어Korean
РусскийRussian
NederlandsDutch
العربيةArabic
PolskiPolish
हिन्दीHindi
Tiếng ViệtVietnamese
SvenskaSwedish
ΕλληνικάGreek
TürkçeTurkish
ไทยThai
ČeštinaCzech
RomânăRomanian
MagyarHungarian
УкраїнськаUkrainian
IndonesiaIndonesian
DanskDanish
SuomiFinnish
БългарскиBulgarian
עבריתHebrew
NorskNorwegian
HrvatskiCroatian
CatalàCatalan
SlovenčinaSlovak
LietuviųLithuanian
SlovenščinaSlovenian
СрпскиSerbian
EestiEstonian
LatviešuLatvian
فارسیPersian
മലയാളംMalayalam
தமிழ்Tamil
اردوUrdu
Buscando...
SoBrief
Observability Engineering

Observability Engineering

Cuando producción falla de una forma que ninguna alerta había anticipado, aprende a investigar sin hacer conjeturas.
por Charity Majors 2022 318 páginas
3.72
319 valoraciones
Escuchar
Inmersivo
V2.3
Amazon Kindle Audible
Prueba el acceso completo por 3 días
¡Desbloquea la escucha y mucho más!
Continuar

Ideas clave

Construye observabilidad para responder preguntas que no podías prever antes de un incidente

Diseña para lo desconocido. En teoría de control, la observabilidad describe hasta qué punto puede inferirse el estado interno de un sistema a partir de sus resultados. Aplicada al software, significa que los ingenieros pueden investigar comportamientos desconocidos del sistema mediante datos de producción, sin tener que predecir antes el fallo ni implementar código nuevo para describirlo. El objetivo no es simplemente recopilar telemetría, sino hacer que el sistema pueda responder nuevas preguntas a medida que surjan.

Más que una categoría de herramientas. Un panel, una colección de métricas, registros y trazas, o que un proveedor utilice la palabra observabilidad no garantiza esta capacidad. Los ingenieros necesitan datos ricos en contexto que puedan explorar desde muchas dimensiones. Es un estándar exigente, especialmente para servicios complejos, pero cambia el objetivo: en vez de comprobar condiciones conocidas, se trata de entender qué ocurrió realmente.

Análisis

La distinción es tanto epistemológica como técnica: la monitorización pregunta si se da una condición conocida, mientras que la observabilidad permite descubrir qué condiciones importan. Esto convierte la calidad de un sistema, en parte, en una cuestión de calidad de la investigación. La definición es poderosa, pero no debe interpretarse como una promesa de que cualquier estado puede reconstruirse a partir de cualquier telemetría. La instrumentación ausente, los límites de privacidad y los datos incompletos pueden dejar puntos ciegos reales. La prueba práctica es si los ingenieros pueden plantear preguntas nuevas y útiles sin tener que reconstruir las pruebas del sistema después del incidente.

Deja que la monitorización proteja la infraestructura frente a riesgos conocidos y que la observabilidad explique las sorpresas del software

Usa ambos enfoques. La monitorización agrega mediciones y envía alertas cuando las condiciones conocidas superan ciertos umbrales. Es adecuada para aspectos de infraestructura relativamente estables, como la capacidad o el uso de recursos. La observabilidad permite investigar sin restricciones el comportamiento del software, que cambia con frecuencia y puede fallar de formas inesperadas. La diferencia no es que las métricas sean inútiles, sino que las métricas agregadas por sí solas rara vez explican un problema nuevo de un cliente.

Adapta las herramientas a las responsabilidades. Un equipo que opera su propio hardware necesita una monitorización detallada de la infraestructura. Un equipo que depende de plataformas gestionadas quizá necesite mucha menos. Aun así, los equipos de software se benefician de mediciones de infraestructura de más alto nivel, como la actividad de la CPU, la memoria y el disco, cuando estas revelan cómo afecta al rendimiento un cambio de código. Conserva las métricas que orientan la acción, en lugar de mantener todos los gráficos por costumbre.

Análisis

Esta división resulta útil porque parte de las responsabilidades operativas, no de una taxonomía de herramientas de moda. También evita una falsa disyuntiva: un servicio puede necesitar tanto alertas fiables basadas en umbrales como una investigación flexible. La pregunta más difícil es cuándo una dependencia de infraestructura pasa a formar parte de la experiencia del producto. Una base de datos gestionada puede ser responsabilidad operativa de otra parte y, aun así, su latencia afectar a los clientes. Los equipos deben asignar por separado la propiedad del sistema subyacente y la responsabilidad por el impacto en los usuarios.

No escales un sistema más rápido de lo que puedes llegar a entenderlo

Haz frente a la complejidad de Parse. Parse, una plataforma de backend móvil, pasó de alojar más de 60 000 aplicaciones cuando fue adquirida a más de un millón unos dos años y medio después. Sus primeros procesos de trabajo en Ruby no podían atender solicitudes de forma concurrente. Cuando un backend se ralentizaba, el trabajo pendiente llenaba el conjunto de procesos de trabajo y podía paralizar toda la plataforma. El equipo disponía de numerosos paneles y alertas, pero muchos fallos surgían de combinaciones nuevas que nadie había pensado en vigilar.

Haz que la investigación sea repetible. Tras adoptar el sistema de análisis Scuba de Facebook, el equipo pudo explorar datos de eventos de alta cardinalidad desde dimensiones arbitrarias. Los diagnósticos que antes llevaban días o quedaban sin resolver podían completarse en minutos o segundos. El cambio tuvo importancia más allá de la velocidad: la depuración se convirtió en un método que los compañeros podían compartir, y dejó de ser una habilidad privada reservada al ingeniero con más antigüedad.

Análisis

La historia de Parse muestra que escalar no consiste solo en aumentar el rendimiento. También aumenta la cantidad de interacciones que el equipo debe comprender, sobre todo cuando los clientes pueden generar cargas de trabajo impredecibles. Pasar de depender de la intuición de héroes a una investigación compartida se parece a pasar de un saber artesanal a una disciplina reproducible. Aun así, una mayor visibilidad no puede reparar por sí sola una arquitectura limitada. La observabilidad ayuda a localizar el cuello de botella y evaluar los cambios, pero la plataforma seguía necesitando trabajo de ingeniería —incluida una costosa reescritura— para resolver sus limitaciones de fondo.

Registra cada solicitud como un evento consultable, no como fragmentos dispersos

Conserva el contexto de la solicitud. Un evento estructurado es un registro consultable por máquinas de lo ocurrido durante una unidad de trabajo, a menudo una solicitud a un servicio. Puede incluir entradas, identificadores de usuario o de solicitud, detalles del entorno de ejecución, llamadas a otros servicios, duración y resultado. Los campos deben ser lo bastante flexibles para incluir detalles útiles que no se previeron al construir el sistema. Una instrumentación madura puede registrar cientos de dimensiones por evento.

Preserva el detalle antes de agregarlo. Una métrica condensa muchas solicitudes en un valor a lo largo del tiempo y pierde la conexión entre solicitudes individuales. Los registros de texto tradicionales pueden repartir la historia de una solicitud entre muchas líneas. Los eventos estructurados conservan ese contexto que las conecta. Una traza distribuida enlaza eventos relacionados para mostrar el recorrido de una solicitud por distintos servicios, incluido el tiempo que llevó cada unidad de trabajo.

Análisis

El modelo de eventos trata la telemetría como evidencia sobre el trabajo realizado, no como un inventario de mediciones inconexas. Así es posible pasar de un patrón agregado a las solicitudes concretas que lo componen. El inconveniente es que los eventos detallados pueden resultar costosos y quizá capten información sensible. Por eso, una instrumentación amplia requiere una gobernanza deliberada de los datos: recopilar suficiente contexto para investigar, pero establecer salvaguardas respecto de la identidad, la retención, el acceso y los campos que no deben registrarse.

Depura las anomalías comparando pruebas, no confiando en la corazonada de quien más sabe

Sigue una investigación reproducible. El bucle central de análisis (Core Analysis Loop) parte del síntoma comunicado, comprueba dónde cambió el comportamiento del sistema y busca entre las dimensiones de los eventos qué distingue los casos anómalos de la línea de base. Si la primera comparación no explica el problema, acota los datos y plantea otra pregunta. El análisis automatizado puede comparar la anomalía seleccionada con los eventos habituales y clasificar los campos que más difieren.

Deja que las pistas orienten, pero no que dicten la conclusión. En un ejemplo, las solicitudes lentas estaban asociadas a una zona de disponibilidad que aparecía en el 98 % de los eventos anómalos, pero solo en el 17 % de los eventos de referencia. Eso orientó a los investigadores hacia un problema de red del proveedor de nube. El patrón les dio una pista sólida, pero no constituía una prueba por sí solo. Los ingenieros aún tenían que comprobar la hipótesis y determinar si la correlación aparente explicaba el impacto en los usuarios.

Análisis

Este método convierte la depuración en una forma iterativa de razonamiento científico: aislar una observación, compararla con una referencia y revisar la explicación a medida que se acumulan pruebas. La automatización es valiosa porque puede examinar dimensiones más rápido que una persona. Sin embargo, una diferencia clasificada no equivale a una explicación causal. Un campo puede correlacionarse con un incidente porque identifica la región, el grupo de clientes o el despliegue afectados, sin señalar el mecanismo. Las buenas herramientas aceleran la formulación de hipótesis; una investigación rigurosa las pone a prueba.

Alerta sobre el perjuicio a los clientes y luego usa la observabilidad para encontrar la causa

Mide lo que experimentan los usuarios. Un indicador de nivel de servicio (SLI, por sus siglas en inglés) clasifica los resultados del servicio como buenos o malos. Un objetivo de nivel de servicio (SLO) fija la meta interna para esos resultados. Por ejemplo, un equipo podría definir como satisfactoria una solicitud a la página de inicio que responda dentro de un límite de tiempo determinado. El presupuesto de error es la cantidad de fallos permitida sin dejar de cumplir el objetivo. Las mediciones basadas en eventos evalúan las solicitudes individualmente y ofrecen más detalle que declarar bueno o malo un intervalo de tiempo completo.

Haz que las alertas sean fiables. Una alerta debe indicar de forma fiable que la experiencia del usuario se ha degradado y dar a quienes responden un motivo para actuar. En Honeycomb, una alerta de SLO detectó una interrupción parcial recurrente que las comprobaciones tradicionales no habían detectado. La investigación vinculó el patrón con una fuga de memoria introducida por un despliegue, que el equipo revirtió. Las alertas sobre condiciones aisladas de los recursos pueden ser útiles, pero las alertas ruidosas suelen enseñar a la gente a ignorarlas.

Análisis

Separar el síntoma de la causa es una decisión de diseño acertada. Sitúa la urgencia en el propósito del servicio y deja que las pruebas orienten el diagnóstico, en lugar de incorporar una conjetura en cada alerta. Las mediciones por evento también representan los fallos parciales con mayor fidelidad que una señal general y burda del sistema. El enfoque depende de definir un SLI que refleje una experiencia significativa para el usuario. Si la medición está mal elegida, incluso los datos precisos de los eventos pueden producir un objetivo engañoso y llevar a quienes responden a optimizar una variable sustitutiva en vez de la experiencia.

Integra la retroalimentación de producción en el desarrollo de software, en lugar de dejarla para el final

Las pruebas y la producción responden preguntas distintas. El desarrollo guiado por pruebas comprueba si el código cumple un comportamiento especificado en un entorno controlado. El desarrollo guiado por la observabilidad (Observability-Driven Development) permite además ver cómo se comporta el software con usuarios reales, cargas de trabajo cambiantes y dependencias distribuidas. No sustituye las pruebas ni el depurador de código. Ayuda a localizar qué componente, solicitud o condición merece un examen más detenido.

Acorta el ciclo de retroalimentación. Cada cambio de código debe incluir una forma de evaluar sus efectos después del despliegue. Los equipos pueden comparar compilaciones, observar los resultados para los usuarios y utilizar indicadores de funcionalidad o una exposición limitada para evaluar los cambios con menos riesgo. El libro sostiene que los ingenieros deben responsabilizarse de su software en producción, incluida la recepción oportuna de información cuando sus cambios causen problemas. Esto se plantea como aprendizaje y responsabilidad, no como castigo.

Análisis

La idea valiosa es que la visibilidad de producción forma parte del proceso de desarrollo, no solo del conjunto de herramientas de un equipo de operaciones. Las pruebas establecen el comportamiento esperado en las condiciones elegidas; el uso real revela qué condiciones quedaron fuera del modelo de pruebas. Ambas formas de evidencia se complementan, no compiten. Sin embargo, asignar a los desarrolladores responsabilidades en producción solo funciona si cuentan con tiempo, autoridad y controles de despliegue seguros. Sin ese respaldo, hacerse cargo puede convertirse en otra forma de transferir la carga operativa.

Muestrea con cuidado el tráfico habitual, pero conserva los errores y el contexto de sus trazas

Reduce el volumen sin borrar los patrones. El muestreo conserva algunos eventos seleccionados en lugar de almacenarlos todos. Una probabilidad fija es sencilla, pero puede pasar por alto fallos raros o hacer que los clientes con gran volumen dominen la muestra. Los enfoques dinámicos pueden ajustar las tasas según el tráfico o los campos de los eventos, para dar más posibilidades de conservar errores, latencias inusuales o grupos infrarrepresentados. Cada evento muestreado necesita indicar su tasa de muestreo para que el análisis pueda estimar con precisión los recuentos y las distribuciones originales.

Mantén la coherencia de las trazas. Una solicitud suele generar eventos en varios servicios. Si cada servicio muestrea de forma independiente, los fragmentos almacenados quizá no compongan una traza útil. Un identificador de muestreo compartido permite que los servicios posteriores tomen decisiones coherentes. El muestreo por cabecera (head-based sampling) decide al principio, usando la información disponible; el muestreo por cola (tail-based sampling) decide después de la solicitud, cuando ya se conocen resultados como los errores y la latencia, pero requiere almacenar temporalmente los tramos.

Análisis

El muestreo es una solución práctica de compromiso entre fidelidad y coste, no una reducción de datos gratuita. Su diseño expresa un juicio sobre qué eventos importan, de modo que una política que trata todas las solicitudes como intercambiables puede ocultar sistemáticamente a usuarios o fallos poco frecuentes. La ponderación y las decisiones coherentes sobre las trazas ayudan a preservar el valor analítico, pero no eliminan el sesgo si los criterios de selección son incorrectos. Los equipos deberían revisar periódicamente qué excluye su política de muestreo, sobre todo cuando cambian los patrones de tráfico o el comportamiento del producto.

Consigue que se adopte resolviendo primero el problema más difícil y luego mide el tiempo ahorrado

Demuestra el valor donde se hace visible. El libro recomienda empezar por un servicio o problema que ya frustre a quienes se ocupan de él, no por un sistema sencillo del que haya poco que aprender. Instrumenta el sistema, investiga el problema y comparte los resultados. Añade instrumentación útil a medida que los incidentes revelen carencias y, al mismo tiempo, planifica un esfuerzo final para cubrir las partes desatendidas de la pila tecnológica. Comprar una herramienta puede ser razonable si crearla y mantenerla desviaría a los ingenieros del trabajo central de la empresa.

Mide resultados, no distintivos. El modelo de madurez de la observabilidad (Observability Maturity Model) agrupa capacidades en torno a la respuesta resiliente a incidentes, la calidad del código, la complejidad técnica, la frecuencia de los despliegues y la comprensión del comportamiento de los usuarios. Es una ayuda para planificar, no una escala universal. Los autores informan que, entre los equipos encuestados, los que adoptaron la observabilidad tenían una probabilidad tres veces mayor de sentirse seguros respecto de la calidad en producción; los equipos que no la habían adoptado dedicaban más de la mitad de su tiempo a trabajo que no se traducía en funcionalidades del producto. Mide si mejoran la detección, la resolución y la entrega en tu propio entorno.

Análisis

Empezar con un problema real permite hacer una demostración creíble y ofrece a quienes tienen dudas algo más concreto que un despliegue de plataforma. El modelo de madurez amplía acertadamente la idea de éxito: no se limita a la cobertura de telemetría, sino que incluye la forma de trabajar de los equipos y la experiencia de los clientes. Los resultados de la encuesta son sugerentes, pero no demuestran que la observabilidad haya causado por sí sola esas diferencias. También pueden influir el tamaño de la organización, el liderazgo y las prácticas de ingeniería. Por eso, el argumento empresarial más sólido combina las dimensiones amplias del modelo con datos de referencia locales, responsabilidades claras y cambios observables en el tiempo que se tarda en detectar y resolver incidentes.

Análisis

El movimiento central del libro consiste en redefinir la observabilidad: deja de ser una colección de tipos de datos y pasa a ser una capacidad de investigación. Este replanteamiento vincula la arquitectura, la instrumentación, el análisis y las prácticas organizativas. Los eventos estructurados conservan suficiente contexto para plantear preguntas después de que ocurra algo inesperado; las trazas mantienen las relaciones entre servicios; y el análisis convierte esos registros en una investigación reproducible. La consecuencia social es tan importante como la técnica: el conocimiento pasa de la intuición de los ingenieros sénior a pruebas compartidas que más personas pueden examinar.

La historia de Parse da fuerza a este argumento porque muestra un cambio en la naturaleza de los fallos, no una simple falta de paneles. Una plataforma en rápido crecimiento, sometida a cargas de trabajo definidas por los clientes, no podía depender de una lista estable de modos de fallo conocidos. Las consultas mejoradas acortaron el diagnóstico, pero no eliminaron la necesidad de rediseñar una arquitectura limitada. Esta distinción sitúa la observabilidad en el lugar que le corresponde: ayuda a los equipos a comprender y responder, pero no hace que los sistemas sean fiables por naturaleza.

La síntesis operativa más sólida consiste en separar la detección del diagnóstico. Los SLO definen cuándo la experiencia del usuario es lo bastante mala como para requerir atención; los datos de eventos ayudan a los investigadores a determinar por qué. Esto puede reducir el ruido de las alertas sin fingir que los fallos son evitables o totalmente previsibles. El enfoque sigue dependiendo de indicadores significativos, centrados en los usuarios, y de umbrales bien pensados. Un SLI inexacto puede desencadenar acciones decididas, pero mal orientadas.

Los autores también escriben desde la perspectiva de proveedores de observabilidad, por lo que sus críticas a las herramientas existentes deben leerse junto con su defensa de conceptos independientes de las herramientas. La prueba más duradera se basa en las capacidades, no en la marca: ¿pueden los ingenieros explorar contextos de alta cardinalidad, conectar eventos de distintas unidades de trabajo y poner a prueba nuevas explicaciones con eficiencia? Además del almacenamiento, hay otros costes, como la privacidad, la gobernanza y el esfuerzo cognitivo que supone interpretar datos abundantes. Las buenas prácticas requieren tanto pruebas ricas como moderación. La lección de fondo del libro no es recopilarlo todo sin criterio, sino construir sistemas y equipos capaces de aprender de producción sin depender de la previsión ni de actos heroicos.

Resumen en 30 segundos
La monitorización detecta riesgos conocidos, mientras que los datos abundantes de producción ayudan a los ingenieros a investigar fallos que no previeron. Registrar cada solicitud con contexto consultable y vincular su actividad entre servicios conserva indicios que se pierden en las métricas agregadas y los registros dispersos. Compara las solicitudes anómalas con las habituales para encontrar pistas y luego verifica la causa. Genera alertas sobre objetivos de servicio centrados en los clientes y usa los datos de la investigación para orientar las correcciones. Aplica el muestreo al tráfico habitual con cuidado, conservando los errores y las trazas coherentes.
Contiene spoilers

Última actualización:

Reportar problema

Resumen de reseñas

3.72 de 5
Promedio de 319 valoraciones de Goodreads y Amazon.

Observability Engineering recibe opiniones diversas, con una puntuación media de 3,78 sobre 5. Los lectores valoran la introducción del libro a los conceptos de observabilidad y su énfasis en los sistemas sociotécnicos. Sin embargo, muchos lo consideran repetitivo, carente de ejemplos prácticos y demasiado centrado en diferenciar la observabilidad de la monitorización. Algunas personas elogian sus ideas revolucionarias, mientras que otras critican su extensión y falta de profundidad técnica. Se considera un buen punto de partida para comprender la observabilidad, pero no ofrece suficiente orientación detallada sobre su implementación para los ingenieros.

Tu valoración:
4.29
290 valoraciones
¿Quieres leer el libro completo?

Glosario

observabilidad

Inferir el estado interno del sistema

En este libro, la observabilidad es una propiedad de los sistemas de software: el grado en que los ingenieros pueden comprender y explicar el estado interno del sistema a partir de sus salidas, incluidos los estados que no anticiparon. Depende tanto de la telemetría como de la capacidad de explorar esos datos con flexibilidad, en lugar de limitarse a comprobar condiciones preseleccionadas.

evento estructurado

Registro de trabajo consultable

Un evento estructurado es un registro consultable por máquinas de lo que ocurrió durante una unidad de trabajo, a menudo una solicitud a un servicio. Puede incluir datos de entrada de la solicitud, identificadores, contexto de ejecución, llamadas a servicios posteriores, duración y resultado. Mantener estos detalles juntos permite a quienes investigan filtrar y comparar eventos según dimensiones que no necesariamente se conocían de antemano.

cardinalidad

Número de valores distintos

La cardinalidad es el número de valores únicos de un campo. Un campo como el identificador de solicitud tiene una cardinalidad alta porque cada solicitud puede tener un valor diferente; un campo con un conjunto pequeño y fijo de valores tiene una cardinalidad baja. Los campos de cardinalidad alta ayudan a aislar usuarios, solicitudes, hosts u otras condiciones inusuales durante una investigación.

traza distribuida

Eventos relacionados entre servicios

Una traza distribuida conecta los eventos que se generan cuando una solicitud pasa por varios servicios o unidades de trabajo. Los tramos vinculados registran su duración y sus relaciones entre elementos principales y secundarios, lo que permite ver dónde se empleó el tiempo y cómo fluyó el trabajo a través de los límites del sistema.

bucle central de análisis (Core Analysis Loop)

Investigación iterativa de anomalías

El bucle central de análisis (Core Analysis Loop) es un método para investigar el comportamiento del sistema sin depender de la familiaridad previa. Se empieza con el síntoma reportado, se comprueba dónde cambió el rendimiento, se comparan las dimensiones de los eventos anómalos con una referencia y se acotan los datos según lo que revele la comparación. El proceso se repite hasta que la evidencia sustente una explicación útil.

objetivo de nivel de servicio (SLO)

Objetivo interno de fiabilidad

Un objetivo de nivel de servicio (SLO, por sus siglas en inglés) es un objetivo interno para la calidad de un servicio, expresado mediante mediciones de resultados relevantes para los usuarios. Suele evaluarse mediante indicadores de nivel de servicio, que clasifican resultados como solicitudes satisfactorias y oportunas. Los SLO ayudan a los equipos a decidir cuándo una degradación merece atención.

presupuesto de error

Fallo de servicio permitido

Un presupuesto de error es la cantidad de fallos que puede experimentar un servicio y aun así cumplir su SLO durante un periodo definido. A medida que se acumulan los eventos negativos, el presupuesto restante disminuye. Los equipos usan su tasa de consumo para entender si el rendimiento actual pone en riesgo el objetivo y con qué urgencia deben investigar.

desarrollo guiado por la observabilidad (Observability-Driven Development)

Desarrollo de software informado por producción

El desarrollo guiado por la observabilidad (Observability-Driven Development) incorpora la instrumentación y el análisis en producción al proceso de desarrollo de software. Complementa las pruebas al mostrar cómo se comportan los cambios con usuarios, cargas de trabajo y dependencias reales. Su propósito es acortar los ciclos de retroalimentación y ayudar a los ingenieros a localizar problemas en el sistema, no sustituir un depurador a nivel de código.

muestreo por cabecera (head-based sampling)

Decisión de muestreo tomada al principio

El muestreo por cabecera (head-based sampling) decide si se conserva una traza cerca del comienzo de su ejecución, usando la información disponible en ese momento. La decisión puede propagarse a los servicios posteriores para que los tramos relacionados se conserven de forma coherente. No puede basar la elección inicial en resultados, como la latencia final o el estado de error, que solo se conocen una vez concluida la ejecución.

muestreo por cola (tail-based sampling)

Decisión de muestreo tomada después

El muestreo por cola (tail-based sampling) decide si conserva un evento o una traza una vez que ha terminado, lo que permite que criterios como la latencia final o el estado de error influyan en la selección. Para conservar una traza coherente, por lo general es necesario almacenar temporalmente los tramos hasta tomar la decisión, lo cual puede requerir recursos adicionales en el colector.

modelo de madurez de la observabilidad (Observability Maturity Model)

Guía de capacidades organizacionales

El modelo de madurez de la observabilidad (Observability Maturity Model) es un marco para evaluar cómo la observabilidad respalda las capacidades organizacionales, incluida la respuesta a incidentes, la calidad del código, la gestión de la complejidad, la frecuencia de las versiones y la comprensión del comportamiento de los usuarios. Está pensado como una herramienta de planificación adaptable, no como una secuencia universal que todas las organizaciones deban seguir.

Preguntas frecuentes

¿De qué trata «Observability Engineering: Achieving Production Excellence»?

  • Enfoque en la observabilidad: El libro gira en torno al concepto de observabilidad en los sistemas de software modernos; explica su importancia y en qué se diferencia de la monitorización tradicional.
  • Experiencia de los autores: Escrito por Charity Majors, Liz Fong-Jones y George Miranda, el libro se basa en su amplia experiencia en ingeniería de software y prácticas de observabilidad.
  • Guía completa: Ofrece un análisis detallado de qué significa la observabilidad, cómo implementarla y cómo afecta a la dinámica de los equipos y la cultura organizacional.
  • Ideas prácticas: El libro ofrece consejos prácticos para crear una cultura de observabilidad y aborda los desafíos asociados con ampliar las prácticas de observabilidad.

¿Por qué debería leer «Observability Engineering: Achieving Production Excellence»?

  • Relevancia actual: A medida que los sistemas de software se vuelven más complejos, comprender la observabilidad es fundamental para mantener y mejorar el rendimiento de los sistemas.
  • Orientación experta: Los autores son referentes en el campo y ofrecen ideas prácticas basadas en experiencia real.
  • Cambio cultural: El libro destaca los cambios culturales necesarios para adoptar la observabilidad con éxito, por lo que resulta pertinente tanto para funciones técnicas como directivas.
  • Consejos aplicables: Ofrece pasos y estrategias concretos para implementar la observabilidad en una organización, lo que lo convierte en un recurso valioso tanto para ingenieros como para directivos.

¿Cuáles son las principales conclusiones de «Observability Engineering: Achieving Production Excellence»?

  • Observabilidad frente a monitorización: La observabilidad consiste en comprender el comportamiento de los sistemas en tiempo real, mientras que la monitorización se ocupa de dar seguimiento a problemas conocidos.
  • Eventos estructurados: El libro destaca la importancia de los eventos estructurados como elementos fundamentales de la observabilidad.
  • Importancia cultural: La observabilidad eficaz requiere un cambio cultural en las organizaciones que fomente la colaboración y la mejora continua.
  • Escalabilidad y eficiencia: El libro analiza estrategias para ampliar las prácticas de observabilidad y hacerlas eficientes, incluso en sistemas grandes y complejos.

¿Cuáles son las mejores citas de «Observability Engineering: Achieving Production Excellence» y qué significan?

  • «La observabilidad no se refiere a los tipos de datos ni a las entradas, ni tampoco a ecuaciones matemáticas. Se trata de cómo las personas interactúan con sus sistemas complejos e intentan comprenderlos». Esta cita destaca el aspecto humano de la observabilidad y pone el énfasis en la interacción y la comprensión, no solo en las métricas técnicas.
  • «La observabilidad es la solución a esa brecha». Esta cita presenta la observabilidad como una herramienta fundamental para cerrar la brecha entre el diseño teórico de sistemas y su funcionamiento práctico en el mundo real.
  • «La observabilidad te permite comprender y explicar cualquier estado al que pueda llegar tu sistema, por novedoso o extraño que sea». Esta cita subraya el alcance integral de la observabilidad, que permite a los ingenieros diagnosticar y resolver problemas inesperados.

¿Cómo define la observabilidad «Observability Engineering»?

  • Orígenes matemáticos: El libro rastrea el término «observabilidad» hasta sus raíces matemáticas, donde describe la capacidad de inferir estados internos a partir de salidas externas.
  • Adaptación al software: En el ámbito del software, la observabilidad se adapta para referirse a la comprensión del estado interno de un sistema a partir de sus salidas, sin necesidad de predecir los problemas de antemano.
  • Características principales: La observabilidad implica eventos estructurados, cardinalidad alta y la capacidad de plantear preguntas arbitrarias sobre el comportamiento del sistema.
  • Aplicación práctica: Consiste en permitir que los ingenieros depuren sistemas en tiempo real, centrándose en lo que se desconoce que se desconoce, y no solo en los problemas conocidos.

¿Cuál es la diferencia entre observabilidad y monitorización según «Observability Engineering»?

  • Alcance de la comprensión: La observabilidad consiste en comprender el estado interno del sistema, mientras que la monitorización se centra en seguir problemas y métricas conocidos.
  • Proactividad frente a reactividad: La observabilidad permite resolver problemas de manera proactiva al ofrecer información en tiempo real, mientras que la monitorización suele ser reactiva y genera alertas cuando se dan condiciones predefinidas.
  • Granularidad de los datos: La observabilidad se basa en datos de cardinalidad alta y eventos estructurados, que ofrecen una visión más detallada que las métricas agregadas usadas en la monitorización.
  • Cambio cultural: Implementar la observabilidad exige un cambio cultural en las organizaciones que fomente la colaboración y la mejora continua.

¿Cómo sugiere «Observability Engineering» implementar la observabilidad en una organización?

  • Empezar por los puntos problemáticos: El libro aconseja comenzar por las áreas más problemáticas para demostrar rápidamente el valor de la observabilidad.
  • Instrumentación iterativa: Recomienda desarrollar la instrumentación de forma iterativa y aprovechar cada situación de depuración para mejorar la observabilidad.
  • Participación en la comunidad: Unirse a grupos de la comunidad puede ofrecer ideas valiosas y apoyo de otras personas que afrontan desafíos similares.
  • Comprar o crear: Los autores sugieren comprar herramientas de observabilidad en vez de desarrollarlas internamente para obtener beneficios con rapidez y centrarse en resolver problemas.

¿Qué papel desempeñan los eventos estructurados en «Observability Engineering»?

  • Elementos fundamentales: Los eventos estructurados son los elementos básicos de la observabilidad y capturan información detallada sobre el comportamiento del sistema.
  • Granularidad de los datos: Aportan la granularidad necesaria para comprender y depurar sistemas complejos, y permiten consultas de cardinalidad alta.
  • Alcance del evento: Cada evento registra todo lo que ocurre durante una solicitud, lo que permite a los ingenieros reconstruir y analizar los estados del sistema.
  • Flexibilidad: Los eventos estructurados permiten segmentar y desglosar los datos de cualquier manera, lo que facilita obtener información detallada sobre el rendimiento del sistema.

¿Cómo aborda «Observability Engineering» los desafíos de ampliar la observabilidad?

  • Estrategias de muestreo: El libro analiza diversas estrategias de muestreo para gestionar el volumen de datos y las limitaciones de recursos sin perder fidelidad.
  • Gestión eficiente de los datos: Destaca la importancia de almacenar y analizar los datos de observabilidad de manera eficiente para gestionar grandes volúmenes.
  • Consideraciones culturales: Ampliar la observabilidad también implica cambios culturales y garantizar que los equipos tengan los medios y la motivación para usar eficazmente las herramientas de observabilidad.
  • Mejora iterativa: Los autores abogan por mejorar y adaptar continuamente las prácticas de observabilidad a medida que evolucionan los sistemas y las necesidades de la organización.

¿Qué es el modelo de madurez de la observabilidad en «Observability Engineering»?

  • Marco de evaluación: El modelo de madurez de la observabilidad ofrece un marco para evaluar las capacidades y el progreso de una organización en materia de observabilidad.
  • Capacidades principales: Identifica capacidades clave como la resiliencia, la calidad del código, la gestión de la complejidad, la frecuencia de las versiones y la comprensión del comportamiento de los usuarios.
  • Mejora continua: El modelo destaca la mejora y la adaptación continuas, y reconoce que las prácticas de observabilidad nunca están «terminadas».
  • Objetivos centrados en resultados: Anima a las organizaciones a establecer objetivos centrados en resultados y a priorizar las capacidades que se ajustan a sus metas empresariales.

¿Qué relación tiene «Observability Engineering» con las prácticas de DevOps y SRE?

  • Prácticas complementarias: La observabilidad está estrechamente relacionada con las prácticas de DevOps y SRE, y aumenta su eficacia al ofrecer información más profunda sobre el comportamiento del sistema.
  • Ciclos de retroalimentación: Favorece ciclos de retroalimentación más cortos y la mejora continua, principios clave tanto de DevOps como de SRE.
  • Alineación cultural: La observabilidad concuerda con los cambios culturales que promueven DevOps y SRE, al poner el énfasis en la colaboración, la responsabilidad y la resolución proactiva de problemas.
  • Mayor fiabilidad: Al integrar la observabilidad, las organizaciones pueden lograr una fiabilidad y un rendimiento mayores, objetivos fundamentales de las prácticas de DevOps y SRE.

¿Cuáles son los beneficios prácticos de adoptar la observabilidad según «Observability Engineering»?

  • Resolución más rápida de problemas: La observabilidad permite detectar y resolver problemas más rápido, reducir el tiempo de inactividad y mejorar la fiabilidad del sistema.
  • Mayor satisfacción del cliente: Al comprender y abordar los problemas de experiencia de usuario, las organizaciones pueden aumentar la satisfacción y la retención de los clientes.
  • Mayor capacidad de innovación: Al dedicar menos tiempo a apagar incendios, los equipos pueden centrarse más en entregar nuevas funcionalidades e innovaciones.
  • Transformación cultural: La observabilidad fomenta una cultura de mejora continua, colaboración y resolución proactiva de problemas, lo que conduce a organizaciones más resilientes y adaptables.

Sobre el autor

Charity Majors es una figura destacada en el campo de la observabilidad y la ingeniería de software. Es conocida por su experiencia en sistemas distribuidos, ingeniería de producción y prácticas de DevOps. Majors es cofundadora y directora de tecnología de Honeycomb, una empresa especializada en herramientas de observabilidad. Participa con frecuencia en conferencias y escribe sobre observabilidad, microservicios y prácticas modernas de desarrollo de software. Tiene una fuerte presencia en las redes sociales, especialmente en Twitter, donde comparte ideas y participa en debates sobre tecnología y cultura de ingeniería. Su trabajo se centra en mejorar la fiabilidad y el rendimiento de sistemas de software complejos mediante la observabilidad.

Descargar PDF

Para guardar este resumen de Observability Engineering para más tarde, descarga el PDF gratis. Puedes imprimirlo o leerlo sin conexión cuando quieras.
Download PDF

Descargar EPUB

Para leer este resumen de Observability Engineering en tu dispositivo o aplicación de lectura, descarga el EPUB gratis. El formato de libro digital .epub es ideal para leer libros electrónicos en teléfonos, tabletas y lectores electrónicos.
Download EPUB
¿Quieres leer el libro completo?
Seguir
Escuchar
Inicio
Swipe
Biblio
App
Prueba el acceso completo por 3 días
Escucha, guarda y mucho más
Comparar funciones Gratis Pro
📖 Leer resúmenes
Lee resúmenes ilimitados. Los usuarios gratuitos obtienen 3 al mes
🎧 Escuchar resúmenes
Escucha resúmenes ilimitados en 40 idiomas
—
❤️ Marcadores ilimitados
Usuarios gratuitos limitados a 4
—
📜 Historial ilimitado
Usuarios gratuitos limitados a 4
—
📥 Descargas ilimitadas
Usuarios gratuitos limitados a 1
—
Cronología sin riesgo
Hoy: Obtén acceso instantáneo
Escucha resúmenes completos de más de 26.000 libros. ¡Son más de 12.000 horas de audio!
Día 2: Recordatorio de prueba
Te enviaremos una notificación de que tu prueba está por terminar.
Día 3: Tu suscripción comienza
Se te cobrará el 24 nov,
cancela en cualquier momento antes.
Consume 2.8× More Books
2.8× libros más Escucha Lectura
Nuestros usuarios nos adoran
600,000+ lectores
Trustpilot Rating
TrustPilot
4.6 Excelente
Este sitio es un antes y un después. He leído resúmenes como nunca antes. Lo recomiendo muchísimo.
— Dave G
Vale cada centavo y cada minuto, y está muy bien hecho. Nunca había visto esta calidad de resúmenes en otros sitios. ¡Muy útil!
— Em
¡Muy recomendado! Servicio fantástico. Perfecto para quienes quieren algo más que una sinopsis, pero no todos los detalles de un audiolibro completo.
— Greg M
Ahorra un 62%
Anual
$119.88 $44.99/año/año
$3.75/mes
Mensual
$9.99/mes
Inicia tu prueba gratuita de 3 días
3 días gratis, luego $44.99/año. Cancela cuando quieras.
Unlock a world of fiction & nonfiction books
Más de 26.000 libros por el precio de 2
Lee cualquier libro en 10 minutos
Descubre libros nuevos como en Tinder
Solicita cualquier libro si no está resumido
Lee más libros que cualquiera que conozcas
La app nº 1 para amantes de los libros
Lifelike & immersive summaries
Garantía de devolución de 30 días
Descarga resúmenes en EPUB o PDF
Cancela en cualquier momento con unos clics

¿Por qué solo un resumen?

Escáner
Busca un código de barras para escanear

⭐
⭐
⭐
Tenemos un regalo especial para ti
Abrir
38% de descuento
DESCUENTO PARA TI
⭐
⭐
⭐
$79.99
$49.99/año
Solo $4.16 al mes
Continuar
Empieza con 2 toques y cancela fácilmente
Configuración
General
Widget
Cargando...