Iniciar teste gratuito
Popular Novos Gêneros 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
Pesquisando...
SoBrief
Seeking SRE

Seeking SRE

Crie serviços capazes de se recuperar de falhas sem esgotar os engenheiros que os operam.
por David N. Blank-Edelman 2018 587 páginas
4.17
116 avaliações
Ouvir
Imersivo
V2.3
Amazon Kindle Audible
Experimente o Acesso Completo por 3 Dias
Desbloqueie o áudio e muito mais!
Continuar

Principais Lições

Trate SRE como uma prática em evolução, não como uma reformulação de cargo

Um campo, muitas formas. Esta coletânea sustenta que a SRE ainda está sendo descoberta por profissionais que comparam sucessos, fracassos e problemas sem solução. Seus casos rejeitam um modelo universal: a Netflix usa quadros de avaliação de confiabilidade e orientação contextual; a SoundCloud constatou que uma equipe dedicada de SRE não se adequava ao seu porte nem à diversidade de seus serviços; o Spotify distribuiu o trabalho operacional entre equipes autônomas; o Facebook integrou engenheiros de produção às equipes de produto.

Adapte os princípios. Esses modelos diferem em estrutura de pessoal e autoridade, mas compartilham a engenharia voltada à confiabilidade, o aprendizado com incidentes, a automação e a atenção aos usuários. Mudar o nome de uma equipe de operações sem alterar seu trabalho, seus incentivos ou sua relação com os desenvolvedores não é uma transformação para SRE.

Análise

A variedade da coletânea é seu argumento central, não uma falta de coerência. Ela trata a SRE menos como um departamento padronizado e mais como um conjunto de práticas que precisa se ajustar à escala, aos riscos e à cultura de cada organização. Essa flexibilidade é útil, mas também torna os rótulos pouco confiáveis: uma equipe chamada SRE ainda pode ser uma fila de chamados, enquanto uma equipe com outro nome pode fazer um trabalho substancial de engenharia de confiabilidade. O teste prático é verificar o que muda na maneira como os serviços são projetados, operados e aprimorados.

Defina metas de confiabilidade com base nos danos aos usuários, não na saúde das máquinas

Comece pelo cliente. Um serviço pode parecer saudável internamente e, ainda assim, não cumprir sua finalidade. O exemplo de um rastreador da web em um dos capítulos começa com uma meta de resposta de dez segundos, mas depois revela que a tarefa real é verificar se os links funcionam. Se uma página contém um milhão de links, a velocidade, por si só, é uma medida ruim; a precisão e as necessidades do usuário devem orientar a meta.

Torne as expectativas mensuráveis. Um Indicador de Nível de Serviço (SLI) mede um comportamento relevante para o usuário, como solicitações bem-sucedidas ou latência. Um Objetivo de Nível de Serviço (SLO) define o nível desejado. O orçamento de erros é a diferença tolerada entre um serviço perfeito e esse objetivo. As metas devem refletir o que está realmente em jogo: uma interrupção de streaming e uma falha em um sistema crítico para a segurança não justificam a mesma tolerância a riscos.

Análise

A abordagem centrada no usuário impede que as equipes confundam abundância de telemetria com compreensão significativa. Ela também torna discutíveis as concessões técnicas: latência, disponibilidade, custo e inovação passam a ser escolhas em relação a uma finalidade explícita do serviço. A parte difícil é a representação. Um único SLO pode ocultar diferentes grupos de usuários, fluxos de trabalho ou momentos de demanda concentrada. O método do livro é mais eficaz quando as equipes reavaliam se seus indicadores ainda captam a experiência que os clientes valorizam, em vez de tratarem uma meta acordada no passado como verdade permanente.

Dê às equipes contexto útil antes de impor controles de confiabilidade

Transforme dados em orientação. A equipe de SRE da Netflix constatou que painéis com dados brutos e alertas abrangentes sobre disponibilidade eram fáceis de ignorar, sobretudo para equipes cujos serviços não podiam afetar os clientes. Em vez disso, passou a enviar relatórios direcionados sobre o sucesso das chamadas entre serviços dependentes, comparando o desempenho recente com o de um período anterior. Os relatórios eram enviados quando havia algo a investigar, e não como um fluxo constante.

Acrescente salvaguardas quando necessário. Os engenheiros também encontravam informações oportunas nas ferramentas de implantação, como alertas sobre mudanças arriscadas de capacidade. Quando incidentes recorrentes continuavam apesar de informações claras, a equipe intensificava a resposta com conversas diretas e expectativas mais rigorosas. O equilíbrio depende da comunicação organizacional e das consequências de uma falha. O contexto abre espaço para o julgamento; o controle pode ser necessário quando o risco é intolerável.

Análise

Essa abordagem trata os erros operacionais como indícios das condições em que as decisões foram tomadas. É mais útil do que presumir que um alerta foi visto, compreendido e ignorado. No entanto, contexto não significa automaticamente autonomia: um quadro de avaliação que exige navegação pouco intuitiva ou um tutorial ainda pode não funcionar para seu público. A informação se torna útil quando chega no momento da decisão, se encaixa no trabalho da equipe e aponta para uma ação. Controles mais formais continuam sendo justificáveis quando o dano possível é grave ou a coordenação está dispersa demais.

Aproxime a responsabilidade operacional dos engenheiros que desenvolvem os serviços

Mantenha o conhecimento perto da responsabilidade. Na SoundCloud, uma única equipe central não podia assumir com competência os alertas de centenas de serviços diferentes. Também fracassou a ideia de integrar um engenheiro de SRE a uma pequena equipe de desenvolvimento: essa pessoa muitas vezes não tinha influência e não conseguia, sozinha, gerar resultados em escala. Em vez disso, a SoundCloud criou uma equipe de plataforma, aprimorou as ferramentas compartilhadas e, gradualmente, atribuiu as operações dos serviços e os plantões às equipes que desenvolviam o software.

Torne viável assumir a responsabilidade. O modelo do Spotify também combinava equipes autônomas de produto com equipes de infraestrutura que ofereciam recursos de implantação, monitoramento e outras funcionalidades de autoatendimento. A especialização central continuava sendo importante para falhas entre serviços e plataformas compartilhadas. O objetivo não era deixar os desenvolvedores à própria sorte nas operações, mas eliminar gargalos oferecendo ferramentas, treinamento, documentação e caminhos claros de escalonamento.

Análise

Os casos mostram que responsabilizar alguém sem lhe dar capacidade para agir equivale apenas a transferir o pager. Os desenvolvedores precisam de contexto operacional suficiente para responder, enquanto as equipes de plataforma precisam de influência suficiente para tornar o trabalho comum seguro e simples. O porte da organização importa, mas a diversidade dos serviços também: até uma empresa pequena pode ter sistemas não relacionados demais para um único rodízio central. A responsabilidade compartilhada também exige limites deliberados. Algumas infraestruturas são mais bem geridas de forma centralizada, e nem toda equipe tem pessoal ou conhecimento especializado para assumir todas as camadas.

Meça a detecção, o envolvimento, a mitigação e os reparos que ficaram por fazer

Divida o tempo de resposta a incidentes. O estudo de caso do Azure, da Microsoft, definiu o tempo até a detecção, do impacto sobre o cliente até a ciência do operador; o tempo até o envolvimento, até a resposta do engenheiro adequado; e o tempo até a correção, até que o problema seja mitigado. Em conjunto, essas medidas mostram em que ponto a resposta é lenta. As equipes também acompanharam indicadores mais acionáveis, como se o monitoramento detectou um incidente e quantos engenheiros responsáveis foram necessários.

Contabilize também o aprendizado que faltou. Depois dos incidentes, as equipes registravam itens de reparo: correções destinadas a evitar recorrências ou acelerar a recuperação. Alguns serviços pareciam dar conta do trabalho registrado, mas não melhoravam porque suas análises não geravam ações suficientes. O Azure chamou de “dívida de reparo virtual” o trabalho que não era registrado. Painéis em tempo real ajudavam as equipes a enxergar tanto os reparos pendentes quanto as oportunidades perdidas.

Análise

O valor dessa abordagem está em transformar uma exigência vaga de melhorar a confiabilidade em um diagnóstico de onde a melhoria pode começar. Mas as métricas podem distorcer o comportamento se as equipes otimizarem o tempo reportado em vez do resultado para o cliente, ou compararem incidentes diferentes como se fossem equivalentes. Uma taxonomia comum e a revisão de casos atípicos ajudam a manter os números interpretáveis. A ênfase nas ações de reparo que faltaram é especialmente útil: uma lista de pendências organizada não prova que a análise que a alimenta esteja completa.

Trate fornecedores e bancos de dados como serviços de produção, não como detalhes secundários

Seus usuários vivenciam toda a cadeia. Um provedor terceirizado de DNS, uma rede de distribuição de conteúdo, um serviço de pagamentos ou um fornecedor de mensagens pode afetar os clientes, embora esteja fora da sua infraestrutura. O livro recomenda avaliar as opções de desenvolver, comprar ou adotar levando em conta o esforço de integração, a equipe necessária para a manutenção contínua, a segurança, a dependência do fornecedor e o custo de migração. As alegações de disponibilidade do fornecedor, por si só, não bastam; as equipes precisam de monitoramento próprio, dados úteis, planos alternativos e expectativas claras quanto ao serviço.

Proteja os próprios dados. A engenharia de confiabilidade de bancos de dados estende a mesma lógica às informações persistentes. Os backups só são úteis se a restauração funcionar e atender às necessidades de recuperação. A replicação pode copiar dados corrompidos tão facilmente quanto dados íntegros. As equipes precisam testar a recuperação, adotar padrões seguros de migração e compartilhar a responsabilidade pela proteção dos dados, em vez de tratar o banco de dados como domínio intocável de um especialista.

Análise

Essa conclusão amplia a confiabilidade para além dos limites de um serviço e a leva à experiência real do usuário. O contrato de um fornecedor e o comportamento do seu sistema são coisas diferentes; por isso, a observação independente é essencial. A mesma distinção vale para os dados: ter cópias não equivale a conseguir restaurar um estado confiável. A ênfase prática do livro é pertinente, embora o nível adequado de redundância e teste dependa do valor dos dados, do tempo de recuperação aceitável e do custo. Uma proteção mais elaborada não é automaticamente melhor se não puder ser operada bem.

Projete a recuperação nos sistemas; a replicação, por si só, não salva os dados

Conte com falhas correlacionadas. As réplicas podem compartilhar uma região, um bug de software, um erro de operador ou um lote defeituoso de hardware. A Dropbox descreve uma grande interrupção causada por um simples erro na linha de comando que afetou vários bancos de dados de uma só vez. A resposta incluiu controles de acesso mais rigorosos, sintaxe de comandos mais segura, restrições entre zonas de falha e mais automação. Na camada de armazenamento, os objetos excluídos eram mantidos temporariamente e verificados antes da remoção permanente.

Verifique as salvaguardas. A durabilidade dos dados depende de isolamento, proteção, verificação e automação, não apenas de uma probabilidade teórica de falha do disco. A Dropbox usava verificações contínuas para detectar blocos ausentes ou corrompidos e testava se seus processos de recuperação funcionavam. A infraestrutura imutável sustenta uma ideia relacionada: substituir uma imagem conhecida em vez de modificar o estado acumulado e incerto de um servidor. As duas abordagens reduzem o dano que uma única mudança pode causar.

Análise

A distinção entre a confiabilidade dos componentes e a durabilidade do sistema é crucial. Modelos matemáticos podem estimar riscos rotineiros de hardware, mas não capturam todas as falhas de modo comum, especialmente as causadas por ações humanas e defeitos de software. Os exemplos da Dropbox defendem que reversibilidade e verificação sejam incorporadas aos fluxos de trabalho cotidianos, em vez de reservadas para desastres. Isso tem um custo: isolamento, retenção e testes consomem recursos e podem desacelerar as mudanças. O objetivo certo não é a proteção máxima em abstrato, mas uma proteção proporcional às consequências da perda ou corrupção dos dados.

Use experimentos controlados para revelar falhas complexas antes que os clientes as descubram

Teste o sistema, não apenas suas partes. O Chaos Monkey, da Netflix, interrompia deliberadamente instâncias de serviço durante o horário comercial para obrigar as equipes a fazer com que seus sistemas tolerassem perdas comuns de infraestrutura. O Chaos Kong testava a falha mais ampla de perder uma região inteira. Esses exercícios revelavam se o failover e o comportamento dos serviços funcionavam em condições reais, em vez de depender apenas de pressupostos de projeto.

Transforme a perturbação em experimento. A engenharia do caos é a prática estruturada de testar se um sistema mantém um comportamento normal mensurável quando são introduzidas falhas plausíveis. A equipe define uma medida de estado estável, declara o que espera, introduz uma perturbação do mundo real e procura uma diferença significativa. Os experimentos devem ter escopo limitado para reduzir danos e ser executados com frequência suficiente para refletir um sistema em constante mudança. O objetivo é obter evidências e confiança, não fazer espetáculo.

Análise

O método enfrenta um limite real da revisão de código e dos ambientes de teste: as interações entre componentes em produção podem gerar resultados que nenhum teste isolado reproduz. Também transforma a resiliência em uma propriedade observável, em vez de uma aspiração. A disciplina é tão importante quanto a injeção de falhas. Experimentos sem hipótese clara, salvaguardas para os clientes ou capacidade de recuperação podem se tornar interrupções comuns com um nome melhor. Antes de tudo, uma equipe deve saber qual comportamento importa e estar preparada para interromper ou restringir um teste se seus pressupostos não se confirmarem.

Ensine a tomar decisões em incidentes e torne operacional a segurança psicológica

Pratique antes de o pager tocar. No Wheel of Misfortune, do Google, um facilitador apresenta um incidente enquanto um engenheiro descreve em voz alta a investigação, a mitigação e o escalonamento. O jogo de cartas Incident Manager acrescenta papéis, distrações e ações limitadas para ensaiar a coordenação. Em ambos, os participantes encontram comportamentos do sistema e pressão para decidir sem colocar em risco um serviço em produção. Reuniões regulares sobre produção e discussões após incidentes também ajudam as equipes a compartilhar conhecimentos que, de outro modo, ficariam restritos a alguns especialistas.

Crie um ambiente seguro para falar. Um capítulo sobre segurança psicológica acompanha uma nova engenheira cuja mudança arriscada causa uma breve interrupção. Chamá-la publicamente de irresponsável, ignorando ao mesmo tempo práticas frágeis de revisão e treinamento inadequado, desestimula futuras iniciativas. As equipes precisam de expectativas claras, discordância respeitosa, análises de incidentes voltadas ao aprendizado e apoio às pessoas que pedem ajuda.

Análise

Essas práticas conectam o aprendizado técnico às condições sociais necessárias para aplicá-lo. Um manual pode explicar os passos, mas o ensaio revela se as pessoas conseguem encontrá-los e interpretá-los sob pressão. Segurança psicológica não significa apenas conforto ou consenso; significa poder expressar incerteza, questionar um plano e admitir uma lacuna antes que ela se torne custosa. Os exercícios de treinamento ainda podem favorecer quem fala com confiança ou quem já é conhecido pela equipe. Por isso, os facilitadores precisam distribuir a participação e tratar a confusão como evidência útil sobre o sistema.

Reduza a dependência do pager eliminando por engenharia as emergências previsíveis

O trabalho operacional repetitivo consome o tempo que poderia resolver o próprio problema. O trabalho operacional repetitivo (toil) é um trabalho operacional necessário, mas manual, repetitivo, automatizável, tático e que cresce junto com o serviço sem criar valor duradouro. Se consome tempo demais, os engenheiros perdem a capacidade de criar a automação que o reduziria. Filas de chamados empresariais e transferências entre equipes podem aprofundar o problema, acrescentando atrasos, retrabalho e custos de coordenação. Ferramentas de autoatendimento, plataformas compartilhadas e tempo reservado para engenharia ajudam a romper esse ciclo.

Questione a finalidade do pager. O texto polêmico do livro sobre plantões defende que falhas conhecidas e problemas previsíveis de capacidade devem ser tratados por software, não por intervenções humanas rotineiras. Falhas desconhecidas ainda exigem julgamento humano, mas isso não justifica esgotar as pessoas com alertas frequentes. Alertas melhores, rodízios adequados, remuneração, tempo de recuperação e um caminho para um comportamento mais seguro do sistema tornam os plantões mais sustentáveis e reduzem a dependência da resposta a emergências.

Análise

Este é tanto um argumento técnico quanto trabalhista: a carga do pager revela algo sobre o projeto do sistema, o dimensionamento das equipes e aquilo que a organização decidiu financiar. O argumento mais forte é contra tratar a disponibilidade humana como um substituto barato para a engenharia. A posição mais radical do livro — acabar com os plantões — não é tão universalmente aceita quanto a defesa de reduzir os alertas evitáveis. Alguns sistemas ainda exigem decisões humanas rápidas. Mesmo nesses casos, medir a qualidade dos alertas, proteger o descanso e encaminhar as respostas a pessoas com conhecimento relevante são melhorias concretas.

Sem privacidade e inclusão, a confiabilidade ainda pode trair os usuários

Confiança vai além do tempo de atividade. O capítulo sobre privacidade trata o uso inesperado ou a exposição de dados pessoais como uma violação das expectativas dos usuários, mesmo quando o serviço está tecnicamente disponível. Recomenda configurações seguras por padrão, mecanismos reutilizáveis de controle de acesso e exclusão, participação de especialistas em privacidade desde o início e investigação das causas fundamentais, em vez de correções isoladas. Ao contrário de muitas interrupções, dados tratados indevidamente podem não ser recuperáveis.

Inclua as pessoas que fazem o trabalho. O livro relaciona a confiabilidade operacional à segurança psicológica, às adaptações para a saúde mental e à participação sustentável. Seu relato sobre o ativismo em Charlottesville também traça um paralelo entre a preparação para incidentes e a resposta coletiva a crises: papéis, comunicação, confiança e aprendizado importam, enquanto a culpabilização pode fragmentar o grupo. As decisões de engenharia afetam pessoas além do que mostra o painel do sistema; por isso, a prática de confiabilidade precisa perguntar quem se beneficia, quem assume os riscos e a experiência de quem está sendo medida.

Análise

A coletânea amplia a confiabilidade, que deixa de ser apenas desempenho técnico e passa a incluir as condições de confiança em torno de um produto e das pessoas que o mantêm. Essa ampliação é importante porque um serviço pode cumprir uma meta de disponibilidade e, ainda assim, prejudicar a privacidade ou excluir usuários cuja experiência nunca foi medida. O mesmo princípio se aplica dentro das organizações: uma equipe que não pode expressar preocupações com segurança tem menos acesso ao conhecimento operacional. Essas questões não podem ser reduzidas a uma única métrica, mas podem ser concretizadas por meio de revisões de projeto, representação dos usuários e práticas explícitas no ambiente de trabalho.

Análise

Seeking SRE é mais bem lido como um guia de campo reunido a partir de divergências, estudos de caso e experiência operacional conquistada a duras penas, não como um manual prescritivo único. Sua afirmação unificadora mais útil é que a confiabilidade é uma capacidade organizacional: a arquitetura do sistema, os incentivos, o dimensionamento das equipes, as medições e as relações humanas influenciam a experiência dos usuários. Por isso, o livro rejeita uma escolha simples entre equipes centralizadas de SRE e a responsabilidade dos desenvolvedores. Casos da Netflix, da SoundCloud, do Spotify, do Facebook e de empresas mostram diferentes arranjos e, ao mesmo tempo, que as ferramentas e a responsabilização precisam se ajustar às limitações locais.

Uma tensão recorrente atravessa a coletânea. As equipes precisam de padrões para reduzir a fragmentação, mas um controle rígido de acesso pode atrasar o feedback e enfraquecer a responsabilidade. Precisam de metas mensuráveis, mas as métricas podem representar mal a experiência dos usuários. A automação reduz o trabalho operacional repetitivo, mas uma automação mal compreendida pode acrescentar complexidade e surpresas. As contribuições mais fortes não resolvem essas tensões com slogans. Oferecem práticas para tornar visíveis as concessões: SLOs significativos, métricas operacionais, recuperação testada, experimentos controlados e análise de incidentes que pergunte como o trabalho fazia sentido naquele momento.

O tratamento dado às pessoas no livro não é um apêndice ao argumento técnico. O desgaste dos plantões, a segurança psicológica, o treinamento, a inclusão de questões de saúde mental e as exigências cognitivas dos incidentes afetam a qualidade das decisões operacionais. Sua implicação mais ampla é que sistemas resilientes exigem ambientes nos quais as pessoas possam perceber, explicar e agir diante de sinais fracos sem se tornarem componentes descartáveis. Os exemplos do livro são de 2018 e algumas ferramentas citadas podem mudar, mas suas perguntas continuam pertinentes: De que o usuário precisa? O que pode falhar em conjunto? Quem tem o contexto necessário para responder? Que trabalho se repete porque o sistema não foi aprimorado? E que custo humano fica oculto na definição atual de confiabilidade?

Resumo em 30 Segundos
A confiabilidade começa com metas de serviço relevantes para os usuários, não apenas com a saúde dos servidores. Meça a rapidez com que as equipes detectam, atendem e mitigam incidentes; depois, acompanhe os reparos que evitam que eles se repitam. Distribua o conhecimento operacional entre as equipes que desenvolvem os serviços, com o apoio de ferramentas compartilhadas e caminhos claros de escalonamento. Teste cenários de falha e a recuperação de dados antes que afetem os clientes. Automatize emergências repetitivas e trate a privacidade, a segurança psicológica e práticas sustentáveis de plantão como partes da confiabilidade do sistema.
Contém spoilers

Última atualização:

Reportar Problema

Resumo das Resenhas

4.17 de 5
Média de 116 avaliações do Goodreads e Amazon.

Seeking SRE recebeu avaliações variadas, com uma nota geral de 4,19 em 5. As avaliações positivas elogiaram o conteúdo esclarecedor sobre práticas de SRE, os exemplos do mundo real e as discussões sobre os aspectos humanos da função. Críticos apontaram falta de consistência devido aos vários autores e à repetição. Alguns consideraram o livro valioso para compreender a SRE para além do Google, enquanto outros acharam que certos capítulos se concentravam demais em tecnologias específicas. A estrutura do livro como coletânea de ensaios foi tanto apreciada quanto criticada: alguns leitores o consideraram informativo, enquanto outros tiveram dificuldade com a falta de coesão.

Sua avaliação:
4.51
263 avaliações
Quer ler o livro completo?

Glossário

Engenharia de Confiabilidade de Sites (SRE)

Engenharia de software voltada à confiabilidade

Uma abordagem para operar serviços que aplica métodos de engenharia de software à confiabilidade, à escalabilidade, ao desempenho e ao trabalho operacional. A SRE pode ser organizada como uma equipe dedicada, com especialistas integrados às equipes ou como práticas distribuídas entre equipes de produto. O livro enfatiza que o título, por si só, não basta: responsabilidades, ferramentas, incentivos e colaboração precisam mudar para que a prática se consolide.

Indicador de Nível de Serviço (SLI)

Métrica de serviço relevante para o usuário

Um sinal mensurável que descreve um aspecto do comportamento de um serviço, escolhido por ser importante para os usuários ou consumidores do serviço. Entre os exemplos estão a taxa de sucesso das solicitações, a latência e o tempo de processamento de dados. Um SLI deve ter um significado claro, compartilhado pelo responsável pelo serviço e pelo cliente; métricas internas que os usuários não percebem podem ser úteis operacionalmente, mas não são automaticamente bons SLIs.

Objetivo de Nível de Serviço (SLO)

Meta para o comportamento do serviço

Um nível-alvo para um ou mais indicadores de nível de serviço. Os SLOs expressam o comportamento que um serviço pretende oferecer, idealmente com base nas necessidades dos clientes e nas prioridades do negócio, em vez de limites arbitrários ou do desempenho que por acaso seja fácil de medir. Eles ajudam as equipes a avaliar trade-offs, priorizar o trabalho de confiabilidade e verificar se o serviço está atendendo às expectativas.

orçamento de erros

Déficit de confiabilidade permitido

A quantidade de falhas que um serviço pode sofrer sem deixar de cumprir o objetivo de confiabilidade acordado. Representa a diferença entre um serviço perfeito e a meta definida por um SLO. As equipes podem usar o orçamento restante para avaliar riscos, lançamentos, experimentos e manutenção. Se ele se esgotar, o trabalho de confiabilidade pode ter prioridade sobre mudanças adicionais.

trabalho operacional repetitivo (toil)

Trabalho operacional repetitivo

Trabalho necessário para operar um serviço que costuma ser manual, repetitivo, tático, automatizável e sem valor duradouro. Seu principal risco é que muitas vezes cresce junto com o serviço, consumindo o tempo de engenharia necessário para eliminá-lo. A prática de SRE busca manter o trabalho operacional repetitivo sob controle, melhorando os sistemas, criando automações e reduzindo solicitações recorrentes.

dívida de reparo

Correções de confiabilidade pendentes

Um conjunto registrado de melhorias técnicas ou de processo identificadas por meio de incidentes e análises, mas ainda não concluídas. Os itens de reparo podem impedir que uma falha se repita ou reduzir o tempo necessário para a recuperação. Acompanhá-los junto com os demais trabalhos de engenharia torna visíveis as obrigações de confiabilidade e ajuda as equipes a priorizá-las em relação ao desenvolvimento de produtos.

dívida de reparo virtual

Trabalho de confiabilidade não registrado

Melhorias de confiabilidade que deveriam ter sido identificadas após um incidente, mas nunca foram incluídas na lista de reparos pendentes. O termo destaca lacunas na análise de incidentes: uma equipe pode parecer estar concluindo as correções registradas enquanto problemas recorrentes de detecção, acionamento ou mitigação permanecem sem solução. Comparar incidentes não detectados com os reparos registrados pode revelar esse trabalho oculto.

engenharia do caos

Experimentos de resiliência do sistema

Uma prática empírica que introduz falhas plausíveis e controladas em um sistema para testar se comportamentos importantes permanecem estáveis. Os profissionais definem um estado normal mensurável, formulam uma hipótese, introduzem uma perturbação e verificam se há diferenças entre as condições afetadas e as de comparação. O objetivo é revelar fragilidades sistêmicas e construir evidências sobre a resiliência, não causar interrupções por si só.

infraestrutura imutável

Substituir em vez de modificar

Uma abordagem de implantação em que o software e a configuração são incorporados a uma imagem versionada antes do lançamento. As instâncias em execução não são corrigidas nem reconfiguradas no lugar; uma imagem alterada substitui a antiga. Isso pode tornar as implantações mais consistentes e simplificar a reversão, além de reduzir o desvio de configuração. A abordagem é mais difícil de aplicar a alguns sistemas de dados persistentes.

malha de serviços (service mesh)

Camada de rede compartilhada para serviços

Uma arquitetura de rede para microsserviços na qual um proxy, geralmente implantado ao lado de cada aplicação como um sidecar, gerencia recursos de comunicação como roteamento, verificações de integridade e observabilidade. Um plano de controle separado distribui a configuração. Esse modelo pode oferecer visibilidade consistente entre serviços e reduzir a duplicação da lógica de rede, mas acrescenta componentes e também precisa ser operado com confiabilidade.

Perguntas Frequentes

Sobre o que é Seeking SRE?

  • Foco nas conversas sobre SRE: Seeking SRE é uma coletânea de discussões entre profissionais de Engenharia de Confiabilidade de Sites (SRE) sobre suas experiências e desafios na implementação dos princípios de SRE em diversas organizações.
  • Perspectivas variadas: O livro traz contribuições de engenheiros de grandes empresas de tecnologia, como Google, Netflix e Amazon, mostrando como as práticas de SRE podem ser adaptadas a diferentes contextos.
  • Perspectivas culturais e técnicas: O livro aborda tanto os aspectos técnicos quanto as mudanças culturais necessárias para uma implementação bem-sucedida de SRE, destacando a interação entre tecnologia e fatores humanos.

Por que devo ler Seeking SRE?

  • Perspectivas do mundo real: O livro oferece perspectivas práticas de profissionais experientes de SRE, sendo um recurso valioso para compreender a aplicação dos princípios de SRE no mundo real.
  • Construção de comunidade: Destaca a importância da comunidade e da colaboração entre profissionais de SRE, inspirando os leitores a se envolverem com suas redes profissionais.
  • Conselhos práticos: Oferece conselhos aplicáveis sobre a implementação de práticas de SRE, úteis tanto para iniciantes quanto para profissionais experientes que queiram melhorar as práticas operacionais.

Quais são os principais aprendizados de Seeking SRE?

  • Contexto em vez de controle: Enfatiza a importância de oferecer contexto às equipes em vez de impor um controle rígido, incentivando a responsabilidade e a tomada de decisões bem informadas.
  • A mudança cultural é essencial: Destaca a necessidade de mudanças culturais, como promover uma cultura de análises de incidentes sem culpabilização e incentivar a colaboração.
  • Estratégias variadas de implementação: Mostra que não existe uma abordagem única de SRE adequada a todos; as organizações podem adotar princípios de acordo com seus contextos específicos.

Quais são as melhores citações de Seeking SRE e o que significam?

  • “Você constrói, você opera.”: Enfatiza que os desenvolvedores devem assumir a responsabilidade pelos serviços que criam, promovendo a prestação de contas e a consideração dos aspectos operacionais.
  • “Uma comunidade inteligente, gentil, diversa, inclusiva e respeitosa, em diálogo, pode impulsionar uma área como nada mais.”: Destaca a importância da comunidade e da colaboração para promover as práticas de SRE.
  • “O trabalho operacional repetitivo é o vilão oculto no caminho para a SRE.”: Aponta os desafios das tarefas manuais e repetitivas que dificultam o progresso, ressaltando a necessidade de reduzir esse trabalho.

Como Seeking SRE define SRE?

  • SRE como disciplina: Descreve a SRE como uma disciplina que combina engenharia de software e operações para criar sistemas escaláveis e confiáveis.
  • Foco na confiabilidade: A SRE trata fundamentalmente de garantir que os serviços sejam confiáveis e estejam disponíveis, o que inclui definir Objetivos de Nível de Serviço (SLOs) claros.
  • Integração cultural e técnica: Destaca a necessidade de uma cultura de confiabilidade junto com a implementação das práticas técnicas adequadas.

O que são Objetivos de Nível de Serviço (SLOs) e por que são importantes em Seeking SRE?

  • Definição de SLOs: SLOs são metas mensuráveis específicas que definem a confiabilidade e o desempenho esperados de um serviço, servindo como parâmetros de referência para sua saúde.
  • Orientação para decisões operacionais: Ajudam as equipes a priorizar o trabalho com metas claras e garantem o alinhamento com os objetivos de negócios.
  • Orçamentos de erros: Costumam estar associados a orçamentos de erros, que representam os níveis de erro permitidos e equilibram novos recursos com a manutenção da confiabilidade.

Como as organizações podem implementar princípios de SRE sem uma equipe dedicada de SRE, segundo Seeking SRE?

  • Incorporar práticas de SRE: Integrar os princípios de SRE às equipes de desenvolvimento existentes, permitindo que assumam a responsabilidade pelos serviços e se beneficiem das metodologias de SRE.
  • Foco na cultura: Promover uma cultura de confiabilidade e responsabilidade, incentivando análises de incidentes sem culpabilização e a comunicação aberta.
  • Aproveitar os recursos existentes: Adotar gradualmente as práticas de SRE usando os recursos existentes e treinando desenvolvedores para assumir responsabilidades operacionais.

Quais desafios as organizações enfrentam ao adotar SRE, conforme discutido em Seeking SRE?

  • Resistência cultural: A resistência à mudança dos modelos tradicionais de operações exige liderança forte e comunicação clara sobre os benefícios da SRE.
  • Equilíbrio entre autonomia e consistência: Pode ser difícil encontrar um equilíbrio entre a autonomia das equipes e a consistência das práticas e ferramentas.
  • Gestão do trabalho operacional repetitivo: É essencial identificar e automatizar tarefas repetitivas para liberar tempo para trabalhos de engenharia que agreguem valor.

Como Seeking SRE aborda a relação entre SRE e DevOps?

  • Práticas complementares: Discute como SRE e DevOps compartilham o objetivo de melhorar a colaboração entre as equipes de desenvolvimento e operações.
  • Integração cultural: A SRE é apresentada como uma implementação específica dos princípios de DevOps, com foco na confiabilidade e na excelência operacional.
  • Responsabilidades compartilhadas: Ambas as abordagens promovem a responsabilidade compartilhada pela confiabilidade dos serviços e incentivam os desenvolvedores a assumirem a responsabilidade por seu código em produção.

Qual é o papel da engenharia do caos na SRE, conforme discutido em Seeking SRE?

  • Objetivo da engenharia do caos: É apresentada como uma prática de experimentação em sistemas para gerar confiança em sua capacidade de suportar condições adversas.
  • Benefícios da engenharia do caos: Ajuda a identificar fragilidades do sistema pela introdução deliberada de falhas, permitindo que as equipes melhorem sua resiliência.
  • Implementação: Apresenta princípios para implementar a engenharia do caos, incluindo definir o comportamento em estado estável e automatizar os experimentos.

Como Seeking SRE sugere gerenciar os orçamentos de erros?

  • Definição de orçamento de erros: Definido como o nível de erro permitido para um serviço, equilibrando a confiabilidade com as necessidades de inovação.
  • Uso na tomada de decisões: Ajuda as equipes a tomar decisões bem informadas sobre lançar novos recursos ou manter a confiabilidade.
  • Monitoramento e ajustes: Enfatiza o monitoramento atento dos orçamentos de erros e o ajuste das práticas para cumprir as metas de confiabilidade.

Qual é a importância da segurança psicológica na SRE, conforme descrita em Seeking SRE?

  • Base para o desempenho da equipe: É fundamental para promover um ambiente em que os membros da equipe se sintam seguros para expressar ideias e preocupações.
  • Incentivo ao aprendizado com os erros: Permite análises de incidentes sem culpabilização, promovendo o aprendizado e a melhoria contínuos.
  • Redução do esgotamento: Ameniza o estresse associado aos plantões e aos incidentes de alto risco, contribuindo para uma cultura de trabalho sustentável.

Sobre o Autor

David Blank-Edelman é um tecnólogo experiente e autor na área de Engenharia de Confiabilidade de Sites (SRE). Ele compilou e editou o livro "Seeking SRE", que reúne ensaios de diversos profissionais do setor. O trabalho de Blank-Edelman se concentra em explorar as práticas de SRE para além do Google, onde o conceito surgiu. Sua abordagem consiste em reunir perspectivas variadas de diferentes empresas e especialistas para oferecer uma visão abrangente da implementação de SRE em diversos contextos organizacionais. Com este livro, ele busca aproximar os conceitos teóricos de SRE de suas aplicações práticas em diferentes ambientes, contribuindo para uma compreensão e adoção mais amplas dos princípios de SRE no setor de tecnologia.

Baixar PDF

Para guardar este resumo de Seeking SRE para depois, baixe o PDF grátis. Você pode imprimi-lo ou ler offline quando quiser.
Download PDF

Baixar EPUB

Para ler este resumo de Seeking SRE no seu dispositivo ou aplicativo de leitura, baixe o EPUB grátis. O formato digital .epub é ideal para ler e-books em celulares, tablets e leitores digitais.
Download EPUB
Quer ler o livro completo?
Seguir
Ouvir
Início
Swipe
Biblio
App
Experimente o Acesso Completo por 3 Dias
Ouça, salve e muito mais
Comparar Recursos Gratuito Pro
📖 Ler Resumos
Leia resumos ilimitados. Usuários gratuitos recebem 3 por mês
🎧 Ouvir Resumos
Ouça resumos ilimitados em 40 idiomas
—
❤️ Favoritos Ilimitados
Usuários gratuitos são limitados a 4
—
📜 Histórico Ilimitado
Usuários gratuitos são limitados a 4
—
📥 Downloads Ilimitados
Usuários gratuitos são limitados a 1
—
Cronograma Sem Risco
Hoje: Acesso Imediato
Ouça resumos completos de mais de 26.000 livros. São mais de 12.000 horas de áudio!
Dia 2: Lembrete do Teste
Enviaremos uma notificação avisando que seu teste está acabando.
Dia 3: Sua assinatura começa
A cobrança será feita em 25 de nov.,
cancele a qualquer momento antes.
Consume 2.8× More Books
2.8× mais livros Audição Leitura
Nossos usuários nos amam
1M+ leitores
Trustpilot Rating
TrustPilot
4.6 Excelente
Este site é revolucionário. Tenho lido resumos de livros como nunca antes. Recomendo muito, muito mesmo.
— Dave G
Vale o meu dinheiro e tempo, e muito bem feito. Nunca vi essa qualidade de resumos em outros sites. Muito útil!
— Em
Altamente recomendado!! Serviço fantástico. Perfeito para quem quer algo além de uma prévia, mas sem todos os detalhes de um audiolivro completo.
— Greg M
Economize 62%
Anual
$119.88 $44.99/ano/ano
$3.75/mês
Mensal
$9.99/mês
Iniciar Teste Gratuito de 3 Dias
3 dias grátis, depois $44.99/ano. Cancele quando quiser.
Unlock a world of fiction & nonfiction books
Mais de 26.000 livros pelo preço de 2 livros
Leia qualquer livro em 10 minutos
Descubra novos livros como no Tinder
Solicite qualquer livro se ainda não tiver resumo
Leia mais livros do que qualquer pessoa que você conhece
App nº 1 para amantes de livros
Lifelike & immersive summaries
Garantia de reembolso de 30 dias
Baixe resumos em EPUB ou PDF
Cancele a qualquer momento em poucos cliques

Por que só um resumo?

Scanner
Encontre um código de barras para escanear

⭐
⭐
⭐
Temos um presente especial para si
Abrir
38% de desconto
DESCONTO PARA VOCÊ
⭐
⭐
⭐
$79.99
$49.99/ano
Apenas $4.16 por mês
Continuar
Comece com 2 toques e cancele com facilidade
Configurações
Geral
Widget
Carregando...